<b id="i6d0b"></b>
<wbr id="i6d0b"><menuitem id="i6d0b"></menuitem></wbr>
  • <strong id="i6d0b"></strong>

    <source id="i6d0b"></source>

  • <u id="i6d0b"></u>
  • 人工智能化學研發—國工智能官網

    AI+化學研發板塊

    “AI for Science”類研發

          AI+化學研發模塊涵蓋了催化劑研發過程中的重要過程,如分子生成、性能預測、結構生成、反應預測、合成路線推薦、實驗優化、小分子催化劑設計、電解質材料研發、OLED器件設計等,使用方法基本是在原有科學計算方法基礎上,根據實際應用場景在不同層面結合AI,以取得單靠AI和單靠原有計算方法所無法達到的效果。GoCatal®目前已包含的有針對于金屬-有機配體類均相催化劑開發相關模塊,和針對于無機晶體類、負載型等非均相催化劑的開發相關模塊。
      

    功能模塊

    實驗室研發

    在化學/化工領域的實驗室研發階段,比如小分子催化劑設計、電解質材料研發、OLED器件設計等,現有研發手段依賴于實驗人員的專業知識和各類成本高昂、周期漫長的合成、表征等手段。結合計算化學和機器學習,可以在初期積累的實驗數據基礎上進行分子信息挖掘與性能預測,并結合生成模型推薦符合性能需求的小分子、材料、或器件,有效降低實驗成本,縮減研發周期,減少試錯空間。

    實驗優化

    不論是實驗室研發階段,還是小試、中試階段,都會遇到如何選擇較優的實驗條件的問題。比如選用的催化劑類型、原料配比、溫度、壓力等等,這些實驗條件的選取直接影響最后的產率。常用的正交實驗、高通量實驗等手段,依然經常面臨試錯成本高、效果不明顯等問題。國工結合計算化學、知識圖譜、AI算法、以及自動化實驗平臺,打造出一套技術高度整合、學科高度交叉的智能型實驗優化平臺,面對客戶的具體需求,可以從積累的數據庫中利用AI算法選擇最適合的實驗條件,并經過實驗驗證,在短周期內將經過實驗驗證的各類條件交予客戶手中。

    分子生成器

    具有所期望性能的新的分子結構,已有實驗數據的分子結構所期望的性能。在有了清晰的“構效關系”后,將其嵌入到分子生成算法中,算法便可以根據提示朝著所希望的性能去生成分子。結合前面的性能預測器一起使用,便形成一整套AI輔助下的催化劑設計工具。

    性能預測器

    性能預測器基于先前的實驗和文獻數據,用于預測新催化劑的性能。首先,計算催化劑的結構描述符和電子描述符。結構描述符包括埋藏體積、特定鍵長和鍵角、分子體積以及表面積等。電子結構描述符則包括福井函數、電子密度和軌道能量等指標。為了滿足計算精度和速度的需求,采用不同級別的結構優化方法,如力場、半經驗和密度泛函理論(DFT)。接下來,建立描述符和催化劑性質之間的機器學習模型。選擇適當的特征和機器學習模型的超參數,并在必要時考慮實驗條件與描述符的關聯。然后,利用機器學習模型篩選出符合要求的新分子。這種將機器學習與計算化學相結合的方法極大地縮小了實驗篩選的范圍,從而加快了分子發現的進程。

    反應預測器

    反應預測器能夠從微觀尺度上基于量子化學方法快速計算如氣相、溶液、體相等多種復雜環境反應體系的一系列反應過程,給出完整的反應路徑信息。由此能夠清晰地找出過渡態從而推斷反應決速步,并給出各種可能出現的產物和副產物以及對應的產率分布。借助反應預測器,能夠在降低實驗成本的同時提高研發效率,完善更加全面的反應信息,幫助理解化工體系中的各種微觀反應機理。在實際的化工生產中對提高生產效率,降低生產成本來說具有重要意義。

    合成路線推薦器

    合成路線推薦器由Corey在20世紀60年代提出,用來描述通過斷鍵將一個復雜的目標分子還原為簡單前體或可購買化合物的迭代過程。傳統的逆合成方法基于專家經驗和大量文獻查詢,時間長,成本高。該逆合成平臺,基于先進人工智能算法,可以短時間內生成合理的目標化合物合成路線,具有以下優勢:
    - 產生新想法:找到新化合物的合成途徑或者舊化合物的新的合成路徑
    - 節省時間:減少開發合成路徑的時間和精力
    - 降低研發成本:提高合成成功率
    - 增強知識:學習數據庫以及專家經驗

    結構生成器

    非均相催化結構生成器:在非均相催化體系中,催化劑以固相或負載在固相上存在,而催化劑結構、載體結構對催化性能都有著影響。在“非均相催化性能預測器”的基礎上,后面連接“非均相催化結構生成器”,可以根據所希望的催化性能,輸出所對應的催化劑結構、或載體結構。

    有機反應預測器

    當給定反應物,如果能預知后續會發生什么樣的一系列反應,對于提高主產物收率、副產物利用等有著重要意義。“有機反應預測器”,根據所輸入的反應物,可以輸出可能得到的產物及產率分布。值得一提的是,與“合成路線推薦器”聯合使用,對于開發合成路線來說效果更佳。

    產品功能

    實驗優化器
    結構生成器
    合成路線推薦器
    反應預測器
    分子生成器
    性能預測器
    實驗優化器
    實驗優化器

    “實驗優化器”,輸入所希望優化的實驗(工藝)參數空間,如溫度、壓力、溶劑配比等,以及希望優化的性能,如收率、反應時間等,經過少量的實驗迭代,可以快速找到最佳性能所對應的實驗(工藝)參數。注意,“實驗優化器”在使用過程中,需要與實驗配合使用。

     

     

    優化的實驗(工藝)參數

     

    當給定一條工藝路線之后,所需要調試的工藝參數往往需要大量實驗來尋找最佳的參數組合。

    結構生成器
    非均相催化結構生成器

    在非均相催化體系中,催化劑以固相或負載在固相上存在,而催化劑結構、載體結構對催化性能都有著影響。在“非均相催化性能預測器”的基礎上,后面連接“非均相催化結構生成器”,可以根據所希望的催化性能,輸出所對應的催化劑結構、或載體結構。

     

    電池材料分子(結構)生成器

     

    當知道電池微觀尺度的分子結構等信息與所展現的性能之間關系之后,可以提出所期望的性能,反推所對應的微觀結構。還是以電解液添加劑為例,在“電池材料性能預測器”的基礎上,后面接入“電池材料分子(結構)生成器”,可以輸入所期望的電解液性能,輸出為對應的添加劑信息(分子結構、添加量等)。

    合成路線推薦器
    合成路線推薦器

    合成路線推薦器由Corey在20世紀60年代提出,用來描述通過斷鍵將一個復雜的目標分子還原為簡單前體或可購買化合物的迭代過程。傳統的逆合成方法基于專家經驗和大量文獻查詢,時間長,成本高。該逆合成平臺,基于先進人工智能算法,可以短時間內生成合理的目標化合物合成路線。

     

    逆合成方法優勢

     

    - 產生新想法:找到新化合物的合成途徑或者舊化合物的新的合成路徑。
    - 節省時間:減少開發合成路徑的時間和精力。
    - 降低研發成本:提高合成成功率。
    - 增強知識:學習數據庫以及專家經驗。

    反應預測器
    反應物:支持溶液環境

    反應預測器能夠從微觀尺度上基于量子化學方法快速計算如氣相、溶液、體相等多種復雜環境反應體系的一系列反應過程,給出完整的反應路徑信息。由此能夠清晰地找出過渡態從而推斷反應決速步,并給出各種可能出現的產物和副產物以及對應的產率分布。借助反應預測器,能夠在降低實驗成本的同時提高研發效率,完善更加全面的反應信息,幫助理解化工體系中的各種微觀反應機理。在實際的化工生產中對提高生產效率,降低生產成本來說具有重要意義。
     

    后續可能發生的一系列反應

     

    給出完整的反應路徑、清晰找出決速步、給出可能出現的副產物、給出產率分布

    分子生成器
    分子生成

    在傳統分子發現流程中,全新可繞開專利限制的分子發現任務往往需要大量專家通過對與文獻中分子相近的極其有限的化學空間進行猜測和嘗試來進行,這大大增加了分子發現流程的周期和成本,也限制了分子的多樣性,對此,分子生成模型通過給定分子的各種約束來逆向生成分子而為分子發現提供了一種新的解決方案。

     

    分子生成模型優勢

     

    • 不受限于小數據集:國工自研的分子生成模型完全脫離了文獻小數據集的桎梏,可以只通過人為指定的規則(無需指定數據集)生成大量高多樣性的滿足規則的分子。
    • 精確生成滿足規則的分子:國工自研的分子生成模型可以根據指定的規則(比如結合能力在某一個特定的區間中甚至為一個特定的值)極其精確的生成滿足規則且多樣性極強的分子,以供實驗端滿足后期嘗試的需要。
    • 高效利用后期化學實驗迭代數據:國工自研的分子生成模型可以通過直接提取反饋數據中蘊含的規則的形式高效利用珍貴的實驗數據而大大節約后期實驗成本。
    • 可以大量生成在現有公開數據集中完全不存在且滿足特定規則的高多樣性分子:國工自研的分子生成模型基于獨特的化學空間探索技術,完全不受規則難度的影響,可以在公開數據集中完全無法找到符合規則的分子的場景中(這類場景中傳統基于規則的分子生成算法幾乎完全無法運行)正常運行并產生大量高多樣性的目標分子。
    性能預測器
    性能預測器:用于預測新催化劑的性能

    首先,計算催化劑的結構描述符和電子描述符。結構描述符包括埋藏體積、特定鍵長和鍵角、分子體積以及表面積等。電子結構描述符則包括福井函數、電子密度和軌道能量等指標。為了滿足計算精度和速度的需求,采用不同級別的結構優化方法,如力場、半經驗和密度泛函理論(DFT)。

     

    催化劑性質之間的機器學習模型

     

    接下來,建立描述符和催化劑性質之間的機器學習模型。選擇適當的特征和機器學習模型的超參數,并在必要時考慮實驗條件與描述符的關聯。然后,利用機器學習模型篩選出符合要求的新分子。這種將機器學習與計算化學相結合的方法極大地縮小了實驗篩選的范圍,從而加快了分子發現的進程。

    AI+化學研發平臺

    均相催化性能預測

    “性能預測”和“分子生成”,其中性能預測輸入為分子結構(可來自于人工設計或算法合成),輸出為此分子的催化性能。

    均相催化分子生成

    在有了清晰的“構效關系”后,將其嵌入到分子生成算法中,算法便可以根據提示朝著所希望的性能去生成分子。結合前面的性能預測一起使用,便形成一整套AI輔助下的催化劑設計工具。

    高分子性能預測

    所謂高分子性能預測是針對一類高分子材料,輸入單體,可以給出其二級結構、三級結構,然后結合聚合工藝,進一步預測其聚合性能。

    高分子單體生成

    在高分子材料研發中,除了聚合工藝外,單體分子結構是影響聚合物性能的主要因素。在單體-聚合性能關系建立后,即在“高分子性能預測”的基礎上,可以連接“高分子單體生成”。

    非均相催化性能預測

    非均相催化是化工體系中的重要一環。非均相催化體系中,涉及到的催化劑往往以固相存在,而反應物可能是氣相或液相,這種反應體系更容易對催化劑進行分離和回收利用。

    非均相催化結構生成

    在“非均相催化性能預測”的基礎上,后面連接“非均相催化結構生成”,可以根據所希望的催化性能,輸出所對應的催化劑結構、或載體結構。

    復合材料性能預測

    很多復合材料,單體以某種配比進行混合后,互相之間不發生復雜的化學反應,但混在一起展現出某種特定的物理性能,液晶、涂料、橡膠等都具有此類特點。

    復合材料單體生成

    所謂“復合材料單體生成”,即在“復合材料性能預測”的基礎上,可以輸入所希望的材料性能,將輸出所對應的單體配比,甚至單體分子結構。

    研發場景

    催化劑設計

    設計一款新的分子結構;設計新的晶體結構

    合成(制備)路線開發

    如何合成一款已知結構的分子;如何制備一款已知結構的物質

    副產物分析

    確定副產物結構;降低副產物比例

    實驗條件(工藝參數)優化

    在指定參數探索空間確定最佳實驗條件;在更廣闊的參數空間推薦更優的工藝參數
    歡迎咨詢,了解更多產品信息
    免費咨詢,為您定制解決方案
    立即咨詢
    業務咨詢
    亚洲国产天堂女人午夜看片