Informatik bahan – penggunaan data dan kaedah AI untuk lebih memahami penggunaan, pemilihan, pembangunan dan penemuan bahan kimia dan bahan – merupakan salah satu cara yang paling ketara dan menarik di mana transformasi digital memberi kesan kepada industri kimia dan bahan. Gembar-gembur umum yang mengelilingi AI telah beralih kepada MI, dengan syarikat pemula mengumpul berjuta-juta sejak tiga tahun lalu dan pemain terkemuka menjanjikan revolusi dalam cara industri beroperasi. Walaupun gembar-gembur, peranan sebenar teknologi ini masih agak keruh, terutamanya untuk pendekatan yang lebih mengganggu. Sebab utama di sebalik ini termasuk kekurangan volum data, format dan infrastruktur, serta rintangan budaya. Walau bagaimanapun, banyak syarikat global telah menetapkan strategi MI mereka dengan bekerja dengan permulaan, membentuk bahagian MI mereka sendiri atau menyertai konsortium. Aktiviti terbaru ini menunjukkan momentum yang kuat, yang akan diteruskan pada kelajuan yang dipercepatkan.
Tiada konsensus mengenai cara "betul" untuk mentakrifkan aplikasi MI. Berdasarkan penyelidikan dan perbualan kami dengan pihak berkepentingan utama, kami membahagikan aplikasi MI kepada dua jenis utama dan percaya pengkategorian ini adalah cara paling mudah untuk mewakili ruang MI. Dua kategori itu ialah pengoptimuman struktur kimia dan/atau bahan sedia ada dan penemuan bahan kimia dan bahan baharu sepenuhnya, termasuk laluan sintetik. Semua kes pengoptimuman, tanpa mengira konteks khusus, boleh dilihat sebagai masalah pengoptimuman berbilang pembolehubah di mana matlamatnya adalah untuk mencari set parameter terbaik yang sepadan dengan ciri yang akan dioptimumkan, seperti jenis bahan kimia/bahan, pemprosesan, struktur, sifat. , atau prestasi. Sebaliknya, kes penemuan selalunya termasuk penjanaan struktur kimia baharu dengan laluan sintetik yang dicadangkan untuk membuatnya. Untuk memahami landskap pemain utama dalam kedua-dua aplikasi ini, kami menyenaraikan pemain MI utama daripada korporat, perusahaan kecil hingga sederhana (PKS) dan institut penyelidikan dan memecahkan pemain ini mengikut geografi. Melalui analisis ini, kami mengenal pasti trend umum MI untuk membantu syarikat mencari arah yang betul untuk membina strategi MI.
Data Kami Menunjukkan bahawa Amerika Mempunyai Bilangan Pemain Mi Tertinggi, dan Kebanyakan Mereka Berpangkalan di AS.
Syarikat terkemuka termasuk Schrödinger , Citrine Informatics , Kebotix dan Uncountable . Kanada mempunyai bilangan pemula MI baharu yang tertinggi, seperti Phaseshift Technologies dan AI Materia . Kebanyakan pemain Asia Pasifik adalah syarikat bahan kimia dan bahan Jepun global. Seperti yang kami nyatakan dalam pandangan baru-baru ini, syarikat Jepun adalah yang paling terbuka kepada MI, dan kebanyakan mereka telah mengumumkan strategi MI mereka secara terbuka. Sudah pasti terdapat banyak lagi syarikat kimia dengan usaha MI aktif yang belum didedahkan secara terbuka, terutamanya di AS dan EU.
Peranan Utama Institut Penyelidikan Menunjukkan Mi Masih Di Peringkat Awal.
AI ialah ruang yang bergerak pantas, dan banyak algoritma AI utama masih belum digunakan pada bahan kimia dan bahan. Kebanyakan institut penyelidikan menumpukan pada menggunakan algoritma yang baru dibangunkan dalam menyelesaikan kes penggunaan berkaitan pengoptimuman. Pemain utama ialah Universiti Stanford, Universiti Northwestern, MIT, Institut Piawaian dan Teknologi Kebangsaan (NIST), Institut Sains Bahan Kebangsaan (NIMS), Universiti Cambridge dan Universiti Toronto. Selain itu, perbandingan syarikat dan PKS menunjukkan bahawa lebih banyak syarikat global akan terlibat dengan MI dalam masa terdekat, terutamanya di Amerika dan EMEA.
Kebanyakan Aktiviti Mi adalah dalam Pengoptimuman dengan Kaedah Sains Data Tradisional.
Ini disebabkan oleh cabaran data dalam industri kimia dan bahan. Industri ini bukan sahaja kekurangan volum data yang mencukupi tetapi juga tidak mempunyai satu format tunggal (atau bahkan beberapa format) untuk data. Lebih-lebih lagi, data sering berada di mana-mana dalam syarikat global, dan memusatkannya adalah usaha yang besar. Dengan faktor-faktor ini dan perbelanjaan untuk memperoleh data tambahan, sektor bahan kimia dan bahan paling banyak berurusan dengan "data kecil dan jarang". Akibatnya, kaedah statistik tradisional (daripada pembelajaran mendalam yang digembar-gemburkan) selalunya berfungsi lebih baik untuk MI. Selalunya, data terbaik tersedia untuk masalah pengoptimuman, membawa kebanyakan kumpulan untuk menyelesaikan masalah sedemikian.
Kebanyakan Pemain Tergolong dalam Kategori Pengoptimuman, Menyasarkan Dua Aplikasi Khusus.
Pengoptimuman rumusan berasaskan polimer mempunyai kepentingan komersial yang paling tinggi dan semakin boleh dilaksanakan secara teknikal. Kaedah pengiraan terkini telah digunakan untuk menggantikan eksperimen dalam aplikasi ini, mempercepatkan proses penjanaan data. Aplikasi kedua ialah pembangunan aloi berbilang fasa. Memandangkan kami mempunyai sejarah yang lebih lama dalam metalurgi berbanding bahan lain, lebih banyak data tersedia untuk membina gambar rajah fasa. Dengan alatan AI, ia menjadi agak praktikal untuk meramalkan rajah fasa dan/atau gelagat fasa aloi berbilang komponen tertentu, membolehkan reka bentuk aloi dipacu matlamat.
Penemuan Mewakili Gelombang Baharu Mi, tetapi Halangan Utama Kekal.
Pendekatan yang paling matang hari ini memberi tumpuan kepada molekul kecil dan pembangunan dadah. Contoh biasa menggunakan pengekod auto untuk menjana perpustakaan molekul maya untuk latihan model untuk memilih sifat yang diingini. Selepas beberapa pusingan saringan oleh algoritma dan pakar manusia, adalah mungkin untuk mempunyai beberapa calon kimia yang boleh diuji untuk sifat sasaran. Selepas calon terbaik dipilih, penyelidik boleh merancang laluan sintetik untuk pengeluaran. Walaupun kaedah ini berfungsi pada molekul kecil, ia masih mencabar untuk digunakan pada makromolekul seperti polimer, kerana tidak ada cara yang memuaskan untuk mencatatkan polimer pada skala sedia pembelajaran yang besar dan mendalam.
Banyak kumpulan penyelidikan akademik mempunyai teknologi pengoptimuman yang belum dikomersialkan. Penyelidik terkemuka termasuk Dr. Taylor Sparks , Dr. Milad Abolhasani , Dr. Elizabeth A. Holm , dan Dr. Klavs Jensen . Dalam tempoh lima tahun akan datang, lebih banyak syarikat permulaan akan muncul berdasarkan institut penyelidikan, dan tumpuan utama adalah pengoptimuman, terutamanya polimer . Bagi penemuan, lebih banyak kumpulan penyelidikan akan mula mengusahakan bahan kimia dan bahan bukan polimer, mungkin menggunakan rangkaian musuh generatif (GAN). Beberapa kerja akan kelihatan serupa dengan apa yang telah dicapai dalam ruang farmaseutikal molekul kecil - dengan syarikat seperti AstraZeneca mengetuai usaha itu. Akhir sekali, automasi makmal telah muncul sebagai penyelesaian perkakasan untuk MI - mewujudkan konsep " makmal autonomi ." Trend ini akan berterusan dalam masa terdekat tetapi tidak akan mengejar kepantasan aplikasi MI tulen.
