Yu yao MatterSeek – Universal Foundation Model for New Materials Prediction (beta)

MatterSeek – Fysiikkaan päättelyyn perustuva, kieliagnostinen perusmalli universaalille uuden materiaalin ennustamiselle
Kokeilun ja erehdyksen loppu – Uuden paradigman uraauurtava tutkimus- ja kehitystyö: käänteinen suunnittelu, tarkkuussynteesi
MatterSeek on Yuyao Technologyn (Kiina) virallisesti ja ylpeänä lanseeraama fysiikkapohjainen universaali pohjamalli uuden materiaalin ennustamiseen. Kehittyneisiin algoritmeihin ja korkeatasoiseen kokeelliseen dataan perustuva se palvelee epäorgaanisen ja orgaanisen uuden materiaalin T&K-skenaarioita tarjoten tutkijoille maailmanlaajuisesti yhden luukun palvelua.
Malli murtaa vahvasti kytkeytyneen suhteen koostumuksen, rakenteen, prosessin ja suorituskyvyn välillä korkeaulotteisessa tilassa. Edistyksellisen ja käänteisen suunnittelun ansiosta se tarjoaa tarkkoja ennusteita, jotka vahvistetaan suljetuilla märkälaboratoriokokeilla Yuyaon sisäisellä kokeellisella alustalla – MatterSeek ei ole pelkkä ennustetyökalu, vaan erittäin luotettava, teollisesti käyttöön otettava suoritusratkaisu.

Ydinominaisuudet
Kehittyneet algoritmit fysiikan rajoituksilla- Fysiikka-ajattelu, jossa 92 % mallista on itse kehitetty.
01
1 035 materiaalikuvausta + 192 verkkotunnuskohtaisia alimalleja- Räätälöity tarkasti eri materiaalijärjestelmien ennustetarpeisiin.
02
Universaali kattavuus- Suunniteltu sekä epäorgaanisten että orgaanisten materiaalien tutkimukseen ja kehitykseen.
03
Suljettu koekierto- Oma laboratoriomme suorittaa automatisoituja kokeita 24/7 ja syöttää tietoja takaisin malliin rekursiivista koulutusta ja jatkuvaa kyvykkyyden parantamista varten.
04
Ydinominaisuudet
| Kyky | Kuvaus |
|---|---|
| Käänteinen muotoilu | Käyttäjät syöttävät vain uuden materiaalin tavoiteominaisuudet, ja malli tulostaa suoraan ennustetun koostumuksen, prosessin ja rakenteen. |
| Valikoiva syöttö | Ammattimaisia kehotteita ei tarvita - valitse elementit suoraan interaktiivisesta jaksollisesta taulukosta. |
| Elementin rajoitussuodatus | Suodata nopeasti ehdokasmateriaaliavaruus alkuainekoostumusalueen mukaan. |
| Muokatut omaisuuden tiedot | Määritä joustavasti tavoiteominaisuudet tilaustyötä varten. |
| Moniulotteinen visualisointi | Ennustetulokset esitetään useista eri näkökulmista päätöksenteon tueksi. |

| Vaihe | Mitä MatterSeek tekee |
|---|---|
| Syöttövaatimukset | Luonnonkieliset kemian ohjeet, kohdeominaisuusmetriikka ja alkuainerajoitukset voivat kaikki toimia syötteinä. |
| Mallin päättely | Usean moduulin laskennan avulla mallin ytimessä ja samanaikaisten toimintokutsujen avulla samassa topologiassa vastaavat toimialuekohtaiset alimallit kutsutaan ominaisuuksien ennustamisen tai koostumuksen inversion suorittamiseksi loppuun. |
| Tulostustulokset | Suositeltavat koostumukset ja kiderakenteet sekä synteesiprosessin parametrit esitetään moniulotteisena visualisoinnina. |
| Laboratorio synteesi | Oma laboratoriomme suorittaa automatisoituja kokeita 24/7; todellista kokeellista dataa kerätään ja palautetaan online-mallikoulutusta varten, mikä optimoi mallin suorituskykyä jatkuvasti. |
| Karakterisointi ja validointi | XRD-vaiheanalyysi ja SEM/EDS-morfologia- ja koostumusanalyysi, jossa mitattuja arvoja verrataan ennustettuihin arvoihin. |
Malliarkkitehtuuri
| Tuote | Kuvaus |
|---|---|
| Arkkitehtuuri | HNN:n oma hierarkkinen hermoverkko (fysiikka-päättelyyn perustuva). Kaksitasoinen suunnittelu: jaettu runko oppii verkkotunnusten väliset materiaaliesitykset 1 035 d:n sormenjäljestä; huipulla istuu 192 toisen tason asiantuntija-alamallia, jotka on ryhmitelty 17 ensimmäisen tason pystytason alapuolelle, joista jokainen on hienosäädetty materiaaleihin, joissa on kohdeominaisuus. Fysiikkatietoinen regularisointi sisältää symmetriaa, säilymislakeja ja termodynaamisia rajoituksia pehmeinä rangaistuksina, joten verkko tuottaa fyysisesti uskottavia ennusteita puhtaan interpoloinnin sijaan. |
| Materiaalikuvaajat | 1035 |
| Verkkotunnuksen alimallit | 192 toisen tason suorituskykymuuttujan alimallia, jotka on järjestetty 17 ensimmäisen tason vertikaalisen alueen alle: suprajohtavuus, magnetokalorinen, magnetokuljetus, magnetismi, katalyysi ja pinnat, elektroninen kuljetus, optiikka, ydin ja säteilytys, mekaniikka, kiderakenne, termoelektriikka, termodynamiikka, lämpökuljetus, fononit, ferrokalorit ja ferrokaloelektriset kustannukset. Jokainen alimalli on oma ennustaja, joka on hienosäädetty materiaaleihin, joissa on kohdeominaisuus. Katso luokkaerittely alta. |
| Syöttömuodot | Luonnonkieliset ohjeet, ominaisuuskohteet, koostumuskaavat. |
| Tulostusmuodot | Ennustetut ominaisuudet epävarmuusrajoilla, suositellut koostumukset (Pareto-rintamaehdokkaat), prosessointiparametrit (sintraus-/hehkutusikkunat) ja paremmuusjärjestykseen sijoitetut kokeiluehdotukset. |
| Koulutus | Kaksivaiheinen opetussuunnitelma: (1) Esikoulutus laajamittaisista sävellys-rakenne-ominaisuustietueista itseohjatun naamioituneen sormenjäljen / rakenteen rekonstruoinnin avulla; (2) Toimialueen hienosäätö fysiikan perusteella tapahtuvalla häviöllä, aktiivisen oppimisen palautesilmukalla ja Bayesin / NSGA-ohjatulla ehdokkaiden valinnalla. |
Koulutustiedot
| Tuote | Kuvaus |
|---|---|
| Tietolähteet | Pääasiassa patentoidut korkean suorituskyvyn kokeelliset tietokannat ja kuratoidut kirjallisuuden mittaukset (ominaisuusarvot); rakennetiedot (kiderakenne, hila, avaruusryhmä) täydennettynä DFT-laskelmalla. |
| Mittakaava | Useita miljoonia kokoonpano–rakenne–ominaisuustietueita, kokeiludominoiva (kokeellinen ominaisuusmittaus yhdistettynä laskettuihin tai mitattuihin rakenteisiin), jatkuvasti laajeneva aktiivisen oppimisen kautta. |
| Materiaalijärjestelmät | Materiaalijärjestelmät valitaan dynaamisesti tavoitesuorituskykymuuttujan mukaan (jokainen alamalli on koulutettu materiaaleihin, joilla on tämä ominaisuus), eikä rajoitettu kiinteään metalliseos-/keraamiluetteloon. |
| Siivous ja tyhjennys | Automaattinen putkisto: yksikkösolujen normalisointi, vaihe-/avaruusryhmäsovitus, koostumuksen pyöristäminen kanonisointi, kaksoistietueen yhdistäminen, poikkeavien tunnistus DFT↔-kokeellisesta johdonmukaisuudesta ja junan/val/testin jakaminen materiaaliperheen mukaan vuotojen estämiseksi. |
Vertailuarvot
Tarkkuus raportoidaan pidennetyissä kokeellisissa testisarjoissa, jotka on jaettu materiaaliperheittäin omassa korpusssamme. Mikään julkinen vertailuarvo tai vertaismalli ei kata tätä tarkkaa 192 suorituskykymuuttujan joukkoa, joten mallien välinen vertaisvertailu ei ole käytettävissä.
Kattavuus ja parhaat käytännöt
Kattavuuden raja:
MatterSeek toimittaa tuotantotason ennusteita 17 vertikaalisella toimialueellaan ja 192 kohdeomaisuudessaan. Uusille elementtiyhdistelmille tai nykyisen taksonomian ulkopuolisille ominaisuuksille mallia voidaan laajentaa pyynnöstä aktiivisen oppimissilmukamme kautta - muutama uusi kokeilu käynnistää uuden alimallin täyden uudelleenkoulutuksen sijaan.
Suositeltu käyttö:
Käytä ennusteita nopeana seulonta- ja päätöksenteon tukikerroksena kokeiden priorisoimiseksi, ei lopullisen karakterisoinnin korvikkeena.
Yhdistä mallin tulos suositellun koostumuksen käsittelyikkunan kanssa; Pareto-rintaman ehdokkaat luokitellaan monitavoitteeseen suunnitteluun.
Vahvista tärkeimmät tai säännellyt sovellukset offline-tilassa ennen laajentamista.
Malli laajenee aktiivisesti muihin toimialoihin (esim. biolääkemyrkytys, pitkäaikainen luotettavuus) - ota meihin yhteyttä saadaksesi uusimman tiekartan.
Amorfisten funktionaalisten materiaalien kehittäminen ja validointi




