材料 + AI 方案介绍
材料 + AI 方案
一、BIOVIA材料+AI方案介绍
人工智能（AI）的目标是让计算机像人类一样思考、学习和做出决策。通过利用各种技术（如机器学习、深度学习等），人工智能系统可以处理和分析大量数据，自主地学习和优化算法，从而完成各种复杂的任务。人工智能的应用非常广泛，包括但不限于语音识别、图像识别、自然语言处理、智能推荐、智能客服等。
机器学习作为实现人工智能的重要途径，侧重于通过算法解析数据，使机器能够基于学习经验进行自主判断与预测。与传统编程中由研究人员明确设定指令不同，机器学习依赖大量数据和相应算法对机器进行“训练”，使其具备执行特定任务的能力。
随着现代实验和计算技术的发展产生的大数据越来越容易获取，基于机器学习的材料设计方法为材料科学研究开辟了新的范式。机器学习凭借其自动解决复杂任务的能力，正被用作一种新方法，以帮助加速材料发现。在材料设计领域，BIOVIA 品牌将数据分析和预测与模拟科学相结合。研究团队利用开箱即用软件工具开发的先进技术能力（Advanced Technology Capability，ATC）模块/组件解决了客户面临的复杂问题。
二、成功客户案例
2.1 寻找更好的聚合终止剂
“活性”聚合：合成聚合物的关键作用范围从用于超音速喷气式飞机到外科植入物，需要开发具有非常特定性能的各种材料。“活性”聚合技术允许关键分子设计和控制，例如结构、分子量、官能化、关键官能团的空间位置、创建嵌段、星形和大环聚合物。活性阴离子聚合的一个显著特点是其机制不涉及正式的终止步骤。通过使用合适的封端剂可以调整性能。
使用生成式人工智能设计来寻找更好的聚合终止剂
BIOVIA的研究团队使用ML为现有已知终止剂的聚合物的多种关键性能建立了合适的模型。然后，在两个方面突破了界限：其一，使用生成式设计策略，设计了100种新的潜在终止剂；其二，使用可解释的人工智能来获得具有化学意义的新终止剂。在实验室中测试了几个最好的候选者，并测量出所得聚合物的性能相比原始聚合物组有所改进。
2.2 识别香气/风味增强剂
香气/风味增强剂：嗅觉受体是感知香气（或风味）的化学受体。这些受体属于G蛋白偶联受体（GPCR）家族，具有结合广泛香气分子的亲和力。在这些情况下，遵循传统的基于结构的方法筛选香气分子是非常困难的，因为筛选范围很大，且必须同时考虑对几种受体的共同影响。
相反，采用与ML相结合的“嗅觉团”方法能够快速寻找所需的香气增强分子。对于一组瞬时受体电位（TRP）通道蛋白，客户提供了所选香气增强分子列表的EC50数据。这些TRP通道的调节在感觉感知中起着关键作用，它们的激活/失活可能与相应的EC50值有关。
结合机器学习与BIOVIA Discovery Studio的计算描述符，改善感官感知的预测
BIOVIA研究团队使用了香气分子的2D、3D和形状描述符以及蛋白质的结合位点定义，并生成了预测模型。这种方法在虚拟候选的多次迭代中得到了延续，随后进行了实验室测试，以微调预测。
2.3 优化燃料电池的性能和成本
性能成本优化（电解槽/燃料电池电极）：质子交换膜（PEM）电解槽因其能效、紧凑的设计和高电流密度而备受关注，它能有效地分解水来生产纯氢气和氧气。以这种方式产生的氢气可以用作内燃机的燃料，而不是汽油和燃料电池。
在燃料电池中，氢气和氧气结合发电，水是唯一的副产品。燃料电池将化学能转化为电能，并且不会产生任何污染物。因此，电解槽和燃料电池对于实现未来的零排放至关重要。
使用Pipeline Pilot和Materials Studio进行机器学习，以优化电极成本和性能
BIOVIA 研究团队使用ML为客户设计这些电解槽和燃料电池的电极。使用基于3D化学的量子力学建模和生成式机器学习，我们能够识别出一种成分，该成分减少了昂贵贵金属的使用量，同时提高了性能。基于我们对不同电极合金的虚拟筛选，我们的客户构建了PEM电池，在实验室进行了测试，并成功地向前迈进。
2.4 预测电池寿命
电池寿命：在使用和储存过程中，驱动电池工作的电化学反应及其暴露的环境条件会导致电池性能随着时间的推移而降低。为了优化电池的运行并确保其安全可靠，准确预测剩余使用寿命（RUL）至关重要，尤其是要预测电池级别以及电池组和模块级别的关键特性。
预测电池寿命
BIOVIA合同研究团队创建了一个ATC组件，用于使用机器学习预测RUL。在我们开发的ATC技术和客户的电池循环数据集的基础上，使用基于物理的特征生成、化学的描述符和顺序特征选择的组合，创建了机器学习模型。根据行业标准的最佳实践，我们开发了一个可以准确预测电池寿命的模型。我们不断突破我们的方法和能力的边界，使电池制造商、电动汽车原始设备制造商和医疗设备公司从我们的解决方案中获得最大价值。
2.5 加快个人护理配方筛选
可持续个人护理：在竞争激烈且部分成本敏感的环境中，个人护理产品行业面临着加快开发进程以缩短上市时间的挑战。客户希望获得更安全、更可持续的产品，新的监管要求敦促配方商在不损失产品性能的情况下用新的成分取代过时的成分。
BIOVIA合同研究团队使用虚拟模拟实现实时决策。由于重重原因，处理这一领域的复杂配方非常激烈：
成分的化学类别多种多样，涵盖了广泛的作用，如溶剂、活性物质、盐、固体等。
尺寸范围从小分子到中等尺寸的表面活性剂和天然成分（通常未完全表征），再到大尺寸（生物）聚合物甚至蛋白质。
进一步复杂性，涉及复杂的相，如乳液、凝胶、溶胶或泡沫。
开发配方的ML模型筛选生物衍生成分
在与客户的合同研究中，BIOVIA合同研究团队使用ATC技术预测产品的相关特性。独特的配方ML模型遵循特征选择和训练模型的最佳实践，成功地对客户特定的产品配方进行了盲预测。ML模型已经以民主化的方式部署到客户系统上，配方工程师将其应用于实时虚拟筛选和指导实验室实验。
2.6 预测配方产品性能和保质期
配方产品稳定性：个人护理行业产品在货架和仓库存放过程中往往会产生降解，而消费者希望这些产品在消费前能够保持其性能和外观的一致性。不幸的是，有时这些产品会随着不良副反应的发生而改变功能和外观。外观的变化有时会是产生可见的雾状物，或者产品颜色的变化。
在与客户合作中，BIOVIA研究团队开发了先进的ML模型来预测产品配方的颜色如何随时间变化。这些模型能够预测产品当天、几周、甚至几个月之后产品的颜色变化情况。为配方工程师设计配方和预测配方的稳定性提供了指导和建议。配方工程师可以虚拟模拟不同假设场景下新配方颜色稳定性，从而最大限度地减少这些颜色变化。
开发ML模型，可以成功地预测配方产品的性能和保质期