Yu yao MatterSeek – Universelles Grundlagenmodell für die Vorhersage neuer Materialien (Beta)

 

logo

MatterSeek – Ein auf physikalischen Überlegungen basierendes, sprachunabhängiges Grundlagenmodell für die universelle Vorhersage neuer Materialien

Das Ende von Versuch und Irrtum – Wegbereitung eines neuen Paradigmas für Forschung und Entwicklung: Reverse Design, Präzisionssynthese

Lassen Sie Materialien sich wie das Leben entwickeln
Beschleunigung der Entdeckung neuer Materialien
Weniger Experimente, bessere Leistung

 

 

MatterSeek ist ein auf physikalischen Überlegungen basierendes universelles Grundlagenmodell für die Vorhersage neuer Materialien, das offiziell und stolz von Yuyao Technology (China) eingeführt wurde. Basierend auf fortschrittlichen Algorithmen und hochwertigen experimentellen Daten bedient es Forschungs- und Entwicklungsszenarien für anorganische und organische neue Materialien und bietet Forschern weltweit einen Service aus einer Hand.

Das Modell durchbricht die stark gekoppelte Beziehung zwischen Komposition, Struktur, Prozess und Leistung im hochdimensionalen Raum. Durch Vorwärts- und Rückwärtsdesign liefert es präzise Vorhersagen, die durch Nasslaborexperimente mit geschlossenem Regelkreis auf der hauseigenen Experimentierplattform von Yuyao validiert werden – MatterSeek ist nicht nur ein Vorhersagetool, sondern eine hochzuverlässige, industriell einsetzbare Ausführungslösung.

Yuyao

 

Kernfunktionen

 

Fortgeschrittene Algorithmen mit physikalischen Einschränkungen- Auf physikalischen Überlegungen basierend, wobei 92 % des Modells selbst entwickelt wurden.

01

1.035 Materialdeskriptoren + 192 Domänenspezifische Untermodelle- Genau auf die Vorhersagebedürfnisse unterschiedlicher Materialsysteme zugeschnitten.

02

Universelle Abdeckung- Entwickelt für die Forschung und Entwicklung anorganischer und organischer Materialien.

03

Geschlossener experimenteller Kreislauf- Unser hauseigenes Labor führt rund um die Uhr automatisierte Experimente durch und speist Daten zurück in das Modell für rekursives Training und kontinuierliche Leistungsverbesserung.

04

 

Kernkompetenzen

 

Fähigkeit Beschreibung
Umgekehrtes Design Benutzer geben einfach die Zieleigenschaften eines neuen Materials ein und das Modell gibt direkt die vorhergesagte Zusammensetzung, den Prozess und die Struktur aus.
Selektive Eingabe Keine professionellen Eingabeaufforderungen erforderlich – wählen Sie Elemente direkt aus einem interaktiven Periodensystem aus.
Elementbeschränkungsfilterung Filtern Sie den Kandidatenmaterialraum schnell nach dem Bereich der Elementzusammensetzung.
Benutzerdefinierte Eigenschaftsmetriken Definieren Sie flexibel Zieleigenschaften für das On-Demand-Forward-Design.
Mehrdimensionale Visualisierung Vorhersageergebnisse werden aus mehreren Perspektiven präsentiert, um die Entscheidungsfindung zu unterstützen.

 

Yuyao2

 

Schritt Was MatterSeek macht
Eingabeanforderungen Als Eingaben können natürlichsprachliche Chemieanweisungen, Zieleigenschaftsmetriken und elementare Einschränkungen dienen.
Modellinferenz Durch Multimodulberechnung im Kern des Modells und gleichzeitige Funktionsaufrufe innerhalb derselben Topologie werden die entsprechenden domänenspezifischen Untermodelle aufgerufen, um die Eigenschaftsvorhersage oder die Zusammensetzungsumkehr abzuschließen.
Ergebnisse ausgeben Empfohlene Zusammensetzungen und Kristallstrukturen sowie Syntheseprozessparameter, dargestellt mit mehrdimensionaler Visualisierung.
Laborsynthese Unser hauseigenes Labor führt rund um die Uhr automatisierte Experimente durch; Echte experimentelle Daten werden gesammelt und für das Online-Modelltraining zurückgemeldet, wodurch die Modellleistung kontinuierlich optimiert wird.
Charakterisierung und Validierung XRD-Phasenanalyse und SEM/EDS-Morphologie- und Zusammensetzungsanalyse, Vergleich der gemessenen Werte mit den vorhergesagten Werten.

 

Modellarchitektur

 

Artikel Beschreibung
Architektur Proprietäres hierarchisches neuronales HNN-Netzwerk (physikalisch begründet). Zweistufiges Design: Ein gemeinsamer Backbone lernt domänenübergreifende Materialdarstellungen aus dem 1.035-d-Fingerabdruck; Darüber liegen 192 Experten-Untermodelle der zweiten Ebene, die in 17 vertikalen Domänen der ersten Ebene gruppiert sind und jeweils auf Materialien abgestimmt sind, die die Zieleigenschaft aufweisen. Bei der physikinformierten Regularisierung werden Symmetrie, Erhaltungssätze und thermodynamische Einschränkungen als weiche Strafen eingebettet, sodass das Netzwerk physikalisch plausible Vorhersagen und keine reine Interpolation ausgibt.
Materialbeschreibungen 1035
Domänen-Untermodelle 192 leistungsvariable Untermodelle der zweiten Ebene, organisiert in 17 vertikalen Bereichen der ersten Ebene: Supraleitung, Magnetokalorik, Magnettransport, Magnetismus, Katalyse und Oberflächen, elektronischer Transport, Optik, Kernenergie und Strahlung, Mechanik, Kristallstruktur, Thermoelektrik, Thermodynamik, Wärmetransport, Phononen, Ferroelektrika, Barokalorik sowie Herstellung und Kosten. Jedes Untermodell ist ein dedizierter Prädiktor, der auf Materialien abgestimmt ist, die die Zieleigenschaft aufweisen. Siehe Kategorienaufschlüsselung unten.
Eingabeformate Anweisungen in natürlicher Sprache, Eigenschaftsziele, Kompositionsformeln.
Ausgabeformate Vorhergesagte Eigenschaften mit Unsicherheitsgrenzen, empfohlene Zusammensetzungen (Pareto-Front-Kandidaten), Verarbeitungsparameter (Sinter-/Glühfenster) und bewertete Versuchsvorschläge.
Ausbildung Zweistufiger Lehrplan: (1) Vorschulung zu umfangreichen Kompositions-Struktur-Eigenschafts-Aufzeichnungen mittels selbstüberwachter maskierter Fingerabdruck-/Strukturrekonstruktion; (2) Domänen-Feinabstimmung mit physikinformiertem Verlust, aktiven Lern-Feedbackschleifen und Bayes'scher/NSGA-gesteuerter Kandidatenauswahl.

 

9b104740-86ea-405a-abb3-820e5a3150d601
9b104740-86ea-405a-abb3-820e5a3150d603

 

 

Trainingsdaten

 

Artikel Beschreibung
Datenquellen Überwiegend proprietäre Hochdurchsatz-Experimentaldatenbanken und kuratierte Literaturmessungen (Eigenschaftswerte); Strukturdaten (Kristallstruktur, Gitter, Raumgruppe) ergänzt durch DFT-Rechnung.
Skala Mehrere Millionen Zusammensetzungs-Struktur-Eigenschafts-Datensätze, experimentell dominant (experimentelle Eigenschaftsmessungen gepaart mit berechneten oder gemessenen Strukturen), kontinuierlich erweitert durch aktives Lernen.
Materialsysteme Materialsysteme werden dynamisch entsprechend der Zielleistungsvariablen ausgewählt (jedes Untermodell wird auf die Materialien trainiert, die diese Eigenschaft aufweisen), anstatt auf eine feste Legierungs-/Keramikliste beschränkt zu sein.
Bereinigen und deduzieren Automatisierte Pipeline: Elementarzellennormalisierung, Phasen-/Raumgruppenabstimmung, Zusammensetzungsrundungskanonisierung, Zusammenführung doppelter Datensätze, Ausreißererkennung anhand der DFT↔experimentellen Konsistenz und Aufteilung von Zug/Wert/Test nach Materialfamilie, um Lecks zu verhindern.

 

Benchmarks

 

Die Genauigkeit wird anhand zurückgehaltener experimenteller Testsätze, aufgeteilt nach Materialfamilien innerhalb unseres eigenen Korpus, berichtet. Kein öffentlicher Benchmark oder Peer-Modell deckt genau diesen Satz von 192 Leistungsvariablen ab, daher ist ein modellübergreifender Peer-Vergleich nicht anwendbar.

 

Abdeckung und Best Practices

 

1

Abdeckungsgrenze:

MatterSeek liefert Vorhersagen in Produktionsqualität innerhalb seiner 17 vertikalen Domänen und 192 Zieleigenschaften. Für neue Elementkombinationen oder Eigenschaften außerhalb der aktuellen Taxonomie kann das Modell bei Bedarf über unsere aktive Lernschleife erweitert werden – ein paar neue Experimente führen zu einem neuen Untermodell und nicht zu einer vollständigen Neuschulung.

2

Empfohlene Verwendung:

Nutzen Sie Vorhersagen als schnelle Screening- und Entscheidungsunterstützungsebene zur Priorisierung von Experimenten, nicht als Ersatz für die endgültige Charakterisierung.

Koppeln Sie die Modellausgabe mit dem empfohlenen Kompositionsverarbeitungsfenster. Die Pareto-Front-Kandidaten werden für das Design mit mehreren Zielen eingestuft.

Validieren Sie bei kritischen oder regulierten Anwendungen die besten Kandidaten offline, bevor Sie sie hochskalieren.

Das Modell wird aktiv in weitere Branchen ausgeweitet (z. B. Biopharma-Toxizität, Langzeitzuverlässigkeit) – kontaktieren Sie uns für die neueste Roadmap.

 

 

Entwicklung und Validierung amorpher Funktionsmaterialien

 

Yuyao4

 

Yuyao5