Yu yao MatterSeek - Modèle de base universel pour la prévision de nouveaux matériaux (bêta)

MatterSeek - Un modèle de base indépendant du langage et basé sur le raisonnement physique pour la prédiction universelle de nouveaux matériaux
La fin des essais et des erreurs - Pionnier d'un nouveau paradigme pour la R&D : conception inversée, synthèse de précision
MatterSeek est un modèle de base universel basé sur le raisonnement physique pour la prédiction de nouveaux matériaux, officiellement et fièrement lancé par Yuyao Technology (Chine). Construit sur des algorithmes avancés et des données expérimentales de haut niveau, il sert des scénarios de R&D sur de nouveaux matériaux inorganiques et organiques, offrant aux chercheurs du monde entier un service unique.
Le modèle brise la relation fortement couplée entre la composition, la structure, le processus et la performance dans un espace de grande dimension. Grâce à une conception directe et inverse, il fournit des prédictions précises validées par des expériences en laboratoire humide en boucle fermée sur la plate-forme expérimentale interne de Yuyao. MatterSeek n'est pas simplement un outil de prédiction, mais une solution d'exécution de haute confiance et déployable industriellement.

Fonctionnalités principales
Algorithmes avancés avec contraintes physiques- Basé sur le raisonnement physique, avec 92 % du modèle auto-développé.
01
1 035 descripteurs de matériaux + 192 sous-modèles spécifiques au domaine- Précisément adapté aux besoins de prédiction de différents systèmes matériels.
02
Couverture universelle- Conçu pour la R&D sur les matériaux inorganiques et organiques.
03
Boucle expérimentale fermée- Notre laboratoire interne exécute des expériences automatisées 24h/24 et 7j/7, réinjectant les données dans le modèle pour une formation récursive et une amélioration continue des capacités.
04
Capacités de base
| Capacité | Description |
|---|---|
| Conception inversée | Les utilisateurs saisissent simplement les propriétés cibles d'un nouveau matériau et le modèle génère directement la composition, le processus et la structure prévus. |
| Entrée sélective | Aucune invite professionnelle requise - sélectionnez des éléments directement à partir d'un tableau périodique interactif. |
| Filtrage des contraintes d'éléments | Filtrez rapidement l’espace des matériaux candidats par plage de composition élémentaire. |
| Métriques de propriété personnalisées | Définissez de manière flexible les propriétés cibles pour une conception prospective à la demande. |
| Visualisation multidimensionnelle | Résultats de prédiction présentés sous plusieurs perspectives pour soutenir la prise de décision. |

| Étape | Ce que fait MatterSeek |
|---|---|
| Exigences de saisie | Les instructions chimiques en langage naturel, les métriques de propriétés cibles et les contraintes élémentaires peuvent toutes servir d’entrées. |
| Inférence de modèle | Grâce au calcul multi-modules au cœur du modèle et aux appels de fonctions simultanés au sein de la même topologie, les sous-modèles spécifiques au domaine correspondant sont invoqués pour compléter la prédiction de propriété ou l'inversion de composition. |
| Résultats de sortie | Compositions et structures cristallines recommandées, ainsi que les paramètres du processus de synthèse, présentés avec une visualisation multidimensionnelle. |
| Synthèse en laboratoire | Notre laboratoire interne réalise des expériences automatisées 24h/24 et 7j/7 ; des données expérimentales réelles sont collectées et renvoyées pour la formation du modèle en ligne, optimisant ainsi en permanence les performances du modèle. |
| Caractérisation et validation | Analyse de phase XRD et analyse de morphologie et de composition SEM/EDS, comparant les valeurs mesurées aux valeurs prédites. |
Architecture du modèle
| Article | Description |
|---|---|
| Architecture | Réseau neuronal hiérarchique propriétaire HNN (basé sur le raisonnement physique). Conception à deux niveaux : une structure partagée apprend les représentations matérielles inter-domaines à partir de l'empreinte digitale de 1 035 jours ; au sommet se trouvent 192 sous-modèles experts de deuxième niveau regroupés sous 17 domaines verticaux de premier niveau, chacun étant affiné sur des matériaux présentant la propriété cible. La régularisation fondée sur la physique intègre la symétrie, les lois de conservation et les contraintes thermodynamiques comme pénalités douces, de sorte que le réseau produit des prédictions physiquement plausibles plutôt qu'une pure interpolation. |
| Descripteurs de matériaux | 1035 |
| Sous-modèles de domaine | 192 sous-modèles de variables de performance de deuxième niveau organisés en 17 domaines verticaux de premier niveau : supraconductivité, magnétocalorique, magnéto-transport, magnétisme, catalyse et surfaces, transport électronique, optique, nucléaire et irradiation, mécanique, structure cristalline, thermoélectrique, thermodynamique, transport thermique, phonons, ferroélectrique, barocalorique, et fabrication et coût. Chaque sous-modèle est un prédicteur dédié, affiné sur les matériaux présentant la propriété cible. Voir la répartition des catégories ci-dessous. |
| Formats d'entrée | Instructions en langage naturel, cibles de propriétés, formules de composition. |
| Formats de sortie | Propriétés prédites avec limites d'incertitude, compositions recommandées (candidats Pareto-front), paramètres de traitement (fenêtres de frittage/recuit) et propositions d'expériences classées. |
| Entraînement | Programme en deux étapes : (1) Pré-formation sur les enregistrements de composition, de structure et de propriétés à grande échelle via la reconstruction auto-supervisée d'empreintes digitales masquées/de structure ; (2) Affinement du domaine avec perte basée sur la physique, boucles de rétroaction d'apprentissage actif et sélection de candidats guidée par bayésienne/NSGA. |
Données de formation
| Article | Description |
|---|---|
| Sources de données | Bases de données expérimentales à haut débit principalement propriétaires et mesures de la littérature organisée (valeurs des propriétés) ; données structurelles (structure cristalline, réseau, groupe spatial) complétées par le calcul DFT. |
| Échelle | Plusieurs millions d'enregistrements de composition-structure-propriétés, à dominante expérimentale (mesures de propriétés expérimentales associées à des structures calculées ou mesurées), en constante expansion grâce à l'apprentissage actif. |
| Systèmes matériels | Les systèmes de matériaux sont sélectionnés dynamiquement en fonction de la variable de performance cible (chaque sous-modèle est formé sur les matériaux qui présentent cette propriété), plutôt que limités à une liste fixe d'alliages/céramique. |
| Nettoyage et déduplication | Pipeline automatisé : normalisation des cellules unitaires, réconciliation des phases/groupes d'espace, canonisation de l'arrondi de la composition, fusion des enregistrements en double, détection des valeurs aberrantes par rapport à la cohérence DFT↔expérimentale et répartition train/val/test par famille de matériaux pour éviter les fuites. |
Repères
La précision est rapportée sur des ensembles de tests expérimentaux répartis par famille de matériaux au sein de notre propre corpus. Aucun modèle de référence public ou modèle homologue ne couvre cet ensemble exact de 192 variables de performance, la comparaison entre modèles entre pairs n'est donc pas applicable.
Couverture et meilleures pratiques
Limite de couverture :
MatterSeek fournit des prévisions de qualité production dans ses 17 domaines verticaux et 192 propriétés cibles. Pour les combinaisons d'éléments émergents ou les propriétés en dehors de la taxonomie actuelle, le modèle peut être étendu à la demande via notre boucle d'apprentissage actif - quelques nouvelles expériences amorcent un nouveau sous-modèle plutôt qu'un recyclage complet.
Utilisation recommandée :
Utilisez les prédictions comme couche de sélection rapide et d’aide à la décision pour prioriser les expériences, et non comme substitut à la caractérisation finale.
Associez la sortie du modèle à la fenêtre de composition-traitement recommandée ; les candidats du front Pareto sont classés pour une conception multi-objectifs.
Pour les applications critiques ou réglementées, validez les meilleurs candidats hors ligne avant la mise à l'échelle.
Le modèle s'étend activement à d'autres secteurs verticaux (par exemple, toxicité biopharmaceutique, fiabilité à long terme) - contactez-nous pour la dernière feuille de route.
Développement et validation de matériaux fonctionnels amorphes




