Die Materialinformatik - der Einsatz von Daten und KI-Methoden zum besseren Verständnis der Verwendung, Auswahl, Entwicklung und Entdeckung von Chemikalien und Materialien - ist eine der sichtbarsten und aufregendsten Möglichkeiten, wie sich die digitale Transformation auf die Chemie- und Materialindustrie auswirkt. Der allgemeine Hype um KI ist auf MI übergegangen, wobei Start-ups in den letzten drei Jahren Millionenbeträge aufbrachten und führende Akteure eine Revolution der Arbeitsweise der Branche versprachen. Trotz des Hypes bleibt die tatsächliche Rolle dieser Technologien etwas undurchsichtig, insbesondere bei den disruptiveren Ansätzen. Zu den Hauptgründen dafür gehören der Mangel an Datenvolumen, -format und -infrastruktur sowie kulturelle Widerstände. Dennoch haben viele globale Unternehmen ihre MI-Strategien festgelegt, indem sie mit einem Start-up-Unternehmen zusammenarbeiten, eine eigene MI-Abteilung gründen oder sich einem Konsortium anschließen. Diese jüngsten Aktivitäten deuten auf eine starke Dynamik hin, die sich noch beschleunigen wird.
Es gibt keinen Konsens über die "richtige" Art und Weise, MI-Anwendungen zu definieren. Auf der Grundlage unserer Forschung und von Gesprächen mit wichtigen Interessenvertretern teilen wir die MI-Anwendungen in zwei Haupttypen ein und glauben, dass diese Kategorisierung die einfachste Möglichkeit ist, den MI-Bereich darzustellen. Die beiden Kategorien sind die Optimierung bestehender chemischer und/oder materieller Strukturen und die Entdeckung gänzlich neuer chemischer Stoffe und Materialien, einschließlich des Synthesewegs. Alle Optimierungsfälle können unabhängig vom spezifischen Kontext als multivariable Optimierungsprobleme betrachtet werden, bei denen das Ziel darin besteht, den besten Parametersatz zu finden, der den zu optimierenden Merkmalen entspricht, wie z. B. der Art der Chemikalien/Materialien, der Verarbeitung, der Struktur, den Eigenschaften oder der Leistung. Andererseits geht es bei Entdeckungsproblemen oft um die Entwicklung neuer chemischer Strukturen mit vorgeschlagenen Synthesewegen zu deren Herstellung. Um die Landschaft der wichtigsten Akteure in diesen beiden Anwendungsbereichen zu verstehen, haben wir die wichtigsten MI-Akteure aus Konzernen, kleinen und mittleren Unternehmen (KMU) und Forschungsinstituten aufgelistet und diese Akteure nach geografischen Gesichtspunkten aufgeschlüsselt. Anhand dieser Analyse haben wir den allgemeinen Trend der MI ermittelt, um den Unternehmen zu helfen, die richtige Richtung für den Aufbau einer MI-Strategie zu finden.
Unsere Daten zeigen, dass es in Amerika die meisten Mi-Player gibt, und die meisten von ihnen sind in den USA ansässig.
Zu den führenden Unternehmen gehören Schrödinger, Citrine Informatics, Kebotix und Uncountable. In Kanada gibt es die meisten neuen MI-Start-ups, wie Phaseshift Technologies und AI Materia. Bei den meisten Akteuren im asiatisch-pazifischen Raum handelt es sich um globale japanische Chemie- und Materialunternehmen. Wie wir bereits in einem kürzlich erschienenen Einblick erwähnt haben, sind japanische Unternehmen am offensten für MI, und viele von ihnen haben ihre MI-Strategien öffentlich angekündigt. Sicherlich gibt es noch viele weitere Chemieunternehmen mit aktiven MI-Bemühungen, die noch nicht öffentlich bekannt gegeben wurden, insbesondere in den USA und der EU.
Die führende Rolle der Forschungsinstitute zeigt, dass sich die Mi noch in einem frühen Stadium befindet.
KI ist ein sich schnell entwickelnder Bereich, und viele wichtige KI-Algorithmen müssen erst noch auf Chemikalien und Materialien angewendet werden. Die meisten Forschungsinstitute konzentrieren sich auf den Einsatz neu entwickelter Algorithmen zur Lösung von optimierungsbezogenen Anwendungsfällen. Die wichtigsten Akteure sind die Stanford University, die Northwestern University, das MIT, das National Institute of Standards and Technology (NIST), das National Institute for Materials Science (NIMS), die University of Cambridge und die University of Toronto. Darüber hinaus zeigt der Vergleich von Unternehmen und KMU, dass sich in naher Zukunft mehr globale Unternehmen mit MI beschäftigen werden, insbesondere in Nord- und Südamerika sowie in der EMEA-Region.
Die meisten Mi-Aktivitäten sind auf die Optimierung mit traditionellen Methoden der Datenwissenschaft ausgerichtet.
Dies liegt an den Herausforderungen, die die Chemie- und Werkstoffindustrie in Bezug auf Daten hat. In dieser Branche gibt es nicht nur keine ausreichenden Datenmengen, sondern auch kein einheitliches Format (oder nur wenige Formate) für Daten. Hinzu kommt, dass die Daten in einem globalen Unternehmen oft verstreut sind und nur mit großem Aufwand zentralisiert werden können. Angesichts dieser Faktoren und der Kosten für die Beschaffung zusätzlicher Daten hat der Chemie- und Materialsektor am meisten mit "kleinen und spärlichen Daten" zu tun. Daher eignen sich traditionelle statistische Methoden (und nicht das viel gepriesene Deep Learning) oft besser für MI. Oft sind die besten Daten für Optimierungsprobleme verfügbar, was die meisten Gruppen dazu veranlasst, an solchen Problemen zu arbeiten.
Die meisten Akteure gehören zur Kategorie Optimierung und zielen auf zwei spezifische Anwendungen ab.
Die Optimierung von Formulierungen auf Polymerbasis ist von größtem kommerziellen Interesse und technisch zunehmend machbar. Jüngste Berechnungsmethoden wurden eingesetzt, um Experimente in dieser Anwendung zu ersetzen und den Prozess der Datengenerierung zu beschleunigen. Die zweite Anwendung ist die Entwicklung mehrphasiger Legierungen. Da wir in der Metallurgie auf eine viel längere Geschichte zurückblicken können als bei anderen Werkstoffen, sind viel mehr Daten für die Erstellung von Phasendiagrammen verfügbar. Mit KI-Tools wird es relativ praktisch, Phasendiagramme und/oder das Phasenverhalten einer gegebenen Mehrkomponentenlegierung vorherzusagen, was ein zielgerichtetes Legierungsdesign ermöglicht.
Die Entdeckung stellt eine neue Welle von Mi dar, aber es gibt noch große Hindernisse.
Die ausgereiftesten Ansätze konzentrieren sich heute auf kleine Moleküle und die Arzneimittelentwicklung. Ein typisches Beispiel ist die Verwendung von Autoencodern zur Erzeugung virtueller Molekülbibliotheken für das Modelltraining zur Auswahl der gewünschten Eigenschaften. Nach mehreren Screening-Runden durch Algorithmen und menschliche Experten ist es möglich, einige testbare chemische Kandidaten für die Zieleigenschaften zu finden. Nachdem der beste Kandidat ausgewählt wurde, können die Forscher die Synthesewege für die Produktion planen. Während diese Methode für kleine Moleküle funktioniert, ist sie für Makromoleküle wie Polymere immer noch eine Herausforderung, da es keine zufriedenstellende Möglichkeit gibt, Polymere in einem großen, für Deep Learning geeigneten Maßstab zu notieren.
Viele akademische Forschungsgruppen verfügen über Optimierungstechnologien, die noch nicht auf dem Markt sind. Zu den Spitzenforschern gehören Dr. Taylor Sparks, Dr. Milad Abolhasani, Dr. Elizabeth A. Holm und Dr. Klavs Jensen. In den nächsten fünf Jahren werden mehr Neugründungen auf der Grundlage von Forschungsinstituten entstehen, wobei der Schwerpunkt auf der Optimierung, insbesondere von Polymeren, liegen wird. Was die Entdeckung betrifft, so werden viele weitere Forschungsgruppen beginnen, an nichtpolymeren Chemikalien und Materialien zu arbeiten, wahrscheinlich unter Verwendung generativer adverser Netzwerke (GANs). Ein Teil der Arbeit wird dem ähneln, was im Bereich der pharmazeutischen Kleinmoleküle erreicht wurde - mit Unternehmen wie AstraZeneca an der Spitze der Bemühungen. Schließlich hat sich die Laborautomatisierung als Hardware-Lösung für die MI herauskristallisiert und das Konzept des "autonomen Labors" geschaffen. Dieser Trend wird sich in naher Zukunft fortsetzen, wird aber nicht mit dem Tempo der reinen MI-Anwendungen mithalten können.