將機器學習與基于物理的方法相結合，可以將產品的上市時間縮短多個數量級，這為生物材料、耐火復合材料、太空應用和儲氫罐等領域的創新開辟了新的可能。

采用Schr?dinger 的材料信息學（MI）工具，可以加速開發汽車、航空航天、電子等領域所需的高性能復合材料使用的新型材料和配方（圖片來源：Schr?dinger）

材料信息學（MI）是材料行業實現數字化轉型的基礎，它利用數據基礎設施、機器學習（ML）和AI解決方案來開發新的材料并優化其加工方式。根據IDTechEx 的說法，材料信息學是一種范式轉變，能顯著縮短上市時間，而更進一步的是，它不僅能夠加快創新步伐，針對建議的候選材料實現所需的性能，而且還能夠實現逆向開發，即根據輸入的所需性能來推薦新的材料。

2021年，東麗工業公司（日本東京）公布了一個“如何將MI應用于復合材料”的案例——該公司利用MI開發了一種新的高性能碳纖維增強聚合物（CFRP）預浸料，該預浸料具有卓越的阻燃（FR）性能，適用于先進的航空航天應用。

按成熟度劃分的材料信息學（MI）的目標應用（圖片來源：IDTechEx 的“材料信息學 2022-2032”）

“這是一種完全不同的方法?！盨chr?dinger（美國紐約州紐約市）的材料科學信息學產品經理 Anand Chandrasekaran表示。該公司與客戶合作，采用其預測計算工具開發包括復合材料在內的未來材料?！拔覀儾粌H在材料性能預測方面要比傳統的試驗方法快了多個數量級，還實現了不同類型的構思?，F在，你可以從10000或100000 種可能的結構著手，或者查看可以購買的所有可能的分子，將這些不同的集合放入一個數據庫中，然后使用ML就能更有效地評估和篩選實際用于合成和測試的材料?！?/p>

Chandrasekaran補充說，Schr?dinger的平臺還將ML和基于物理的方法相結合，實現數據集的數字化生成和驗證，這開辟了一個充滿各種可能性的新視野。用于訓練ML模型的現有數據集可能很薄，包括生物材料、耐火和高溫復合材料、太空應用的新材料、低溫儲氫等。

1實現更可持續的高性能復合材料

在深入探討MI工作原理的細節之前，有必要了解它的使用方式及其原因。Schr?dinger 的網站給出的解釋是：各行各業的研發科學家們在開發高性能、多功能以及滿足社會對可持續性要求的下一代聚合物和復合材料方面面臨著挑戰。該公司的數字平臺在分子和原子尺度上對生物基聚合物和添加劑進行模擬，使科學家們能夠理解和預測性能。它還可以自動篩選生物基聚合物，預測聚合物混合物的結構、混溶性（混合和形成均勻溶液的能力）和性能。它還可以模擬吸水率并預測玻璃化轉變溫度（Tg）、固化過程中的熱穩定性、熱膨脹和聚合物的凝膠點，為高性能應用開發新的樹脂配方。

“現在提出了許多生命周期問題?！盨chr?dinger的聚合物總監 Andrea Browning 說道。她與 Chandrasekaran及其同事在基于物理的工具方面展開合作，為聚合物和復合材料客戶提供一系列功能?！斑@些客戶正在關注的輸入單體與過去所考慮的不同。我們能夠利用他們過去的數據來了解與新的單體可能的聯系，包括來自他們以前沒有考慮過的不同來源。MI使你能夠利用的，將超出傳統試驗性配方研究所能做到的，因此，您可以將其用作發現工具。”

“為阻燃性、塑化或其他目標而改進添加劑，是MI為改進而提供新的可能性的另一個方面。”Browning 說道，“這可能包括尋找更適合材料整個生命周期的新的添加劑。在探索可能使用的其他材料時，可以再次利用你可能擁有的數據集，然后將這些新材料的特性與化學品聯系起來。這為您提供了更多的方法來研究如何組合和使用新的化學品來實現性能和可持續性目標?！?/p>

2探索下一代的太空材料

在如何將MI用于復合材料方面的一個例子是，位于美國愛德華茲空軍基地的美國空軍研究實驗室（AFRL）航空航天系統局的研究化學家 Levi Moore 博士及其團隊發表的一篇文章，該文章介紹了如何使用Schr?dinger平臺來理解和探索用于聚氰脲酸酯樹脂的新配方。這些熱固性聚合物由氰酸酯單體組成，具有卓越的阻燃性能，這對于航空航天中的高溫（HT）應用非常重要。多方面的消息表明，Tg大約為300℃，炭化率（char yields）>70%，后者對陶瓷基復合材料（CMC） 很有吸引力，或者，它們可能包含硅（Si），可以獲得額外的HT和炭化率（char yield）優勢。

Moore 的團隊想探索聚氰尿酸酯的反應化學，但這很有挑戰性，因為固化/交聯通常很復雜，需要同時考慮多個因素。具體來說，Moore 希望更好地了解水分吸收情況。盡管這對于聚氰脲酸鹽來說是低的，但如果水溫迅速升高，可能會導致失效。

他的團隊使用Schr?dinger的計算平臺來應對這些挑戰。正如Moore在之前的一篇文章中解釋的那樣：“我們已經能夠觀察到水擴散到交聯聚合物基質中，并看到水分子最容易被特定化學基團吸引的地方。而要作這樣的試驗，需要使用只有國家實驗室才能提供的極其復雜的裝置，即便如此，也只能在宏觀尺度上看到水，而不能模擬提供精細的原子細節。”他補充說，“這種數字模擬減少了我們需要合成的新分子的數量，從而可以實現更高效、更低資源消耗的迭代周期?！?/p>

聚氰脲酸鹽只是Moore及其同事應用Schr?dinger的MI工具的幾個領域之一。AFRL的研究人員還在探索增材制造和3D打印的潛力，以將現有材料重新配置為新的、更復雜的形狀，這可能會增強它們對惡劣環境的耐受性。通過出版物、網絡研討會和訪談，AFRL提供了一個“航空航天公司如何將MI加入其研究周期中”的示例。

Moore在之前的采訪中強調了未來材料建模的一個方向：“最大的挑戰將是系統的最終目標，你可以輸入所需的材料屬性，系統將能夠在該空間中找到解決方案。如果該解決方案不存在，那么它可以迭代新的、尚未被發現的材料，并輸出具有所需性能的目標來合成分子?！?/p>

3MI的工作原理

Chandrasekaran表示，一種方法是：結合使用ML與現有數據集，以預測潛在的新材料或找到改善現有材料特性的潛在機制。這些ML技術相當新，大約在過去的8年中被開發出來。“在 Schr?dinger，我們正在開發ML技術，這些技術采用特定材料（比如，可以是聚合物、聚合物加添加劑、分子或分子與溶劑的混合物）并將該復雜的材料分解成其各個組分和結構。然后，我們有特殊的表征技術，該技術能以一種可以被計算機算法理解的方式來表征每個結構。一旦該材料被算法理解，我們就可以找到結構與材料成分及感興趣的屬性之間的相關性。我們可以預測性能并了解屬性如何變化?！?/p>

材料信息學的支柱（圖片來源：Schr?dinger）

“但是，當你擁有非常小的數據集時，這些ML預測可能會很糟糕。”Chandrasekaran說道，“這是因為，ML是基于查看過去數據的統計相關性來作出未來的預測。但是，一旦我們將 ML 與基于物理的方法相結合，那么我們就可以在第一性原理層面上獲得真正強大的材料描述符——這意味著你不必對過去的數據或統計模型做出任何假設。相反，從量子力學和分子動力學的基礎知識出發，我們可以生成材料的特性。即使你無法生成所需復合材料的完全相同的屬性，也有許多屬性是非常好的描述符，或者與復合材料制造商可能感興趣的最終屬性具有非常強的相關性?！?/p>

“因此，通過將ML和這些基于物理的方法結合使用，我們可以生成自己的數據集，并查看哪些屬性與實際的試驗值相關?！彼忉尩?，“然后，我們擁有一種強大的方法，它將第一性原理方法與統計方法相結合，使研究人員能夠設計出全新的材料、新的添加劑和新的復合材料?！?/p>

4SABIC加快聚合物開發速度

這種將ML與基于物理的方法結合使用的一個例子是Schr?dinger 最近與 SABIC的合作。“我們在他們內部的Tg、CTE（熱膨脹系數）和介電性能等數據集上使用了ML，以產生新的單體和共聚物。”Chandrasekaran 說道，“我們對數以萬計的新的潛在重復單元和多態單元進行了預測，然后根據ML的排名，獲得了表現最佳的單元。接著，我們通過基于物理的模擬對其進行了驗證，最終，該公司合成了最有前景的聚合物?！?/p>

DeepAutoQSAR 是一種基于圖神經網絡和其他AI方法的Schr?dinger MI工具，非常適合包含500多個數據點的數據集，有助于在物理測試之前篩選出可能的新配方（圖片來源：Schr?dinger）

Chandrasekaran和Browning表示，設計新聚合物的傳統方法在很大程度上依賴于緩慢而昂貴的試錯試驗。除這種復雜性外，當研究人員改進聚合物的某個方面時，通常會削弱其他方面。因此，設計新的聚合物就像解決一個復雜的難題，需要同時優化多種特性。相反，SABIC Specialties 的樹脂設計和孵化團隊（為各種復合材料應用提供聚合物、配混物和先進材料）與Schr?dinger的材料科學團隊合作，構建了準確的 ML 模型來加快開發速度。

SABIC策劃了一個包含5個目標屬性的物理數據集，這5個目標屬性與聚合物如何響應機械應力、溫度、電氣和光學條件相關。然后，該團隊成功地訓練并驗證了僅使用分子結構作為輸入即可準確預測這5個聚合物屬性的ML模型。接著，Schr?dinger和SABIC使用這些ML模型來探索新的聚合物結構，這些結構尚未經過試驗測試，但卻表現出了對實際應用有用的聚合物特性。

Schr?dinger的集成MI平臺 LiveDesign，在單個基于瀏覽器的協作平臺中利用ML來提供對試驗數據、計算建模和數據分析的訪問，以幫助公司開發新的材料和想法（圖片來源：Schr?dinger）

該團隊生成了10000多種結構，部署了經過訓練的ML模型來預測聚合物特性，并應用多參數優化（MPO）排名標準來識別具有首選特性的聚合物結構。使用 Schr?dinger 的 LiveDesign MI 平臺，該團隊將設計空間縮小到1000種結構，然后精確定位，篩選具有良好性能的可市售的結構，將其范圍縮減到10個。

為進一步增強對這10種候選結構的信心，SABIC和Schr?dinger使用基于物理的方法對它們進行了測試，結果與ML模型預測的結果相一致。然后，SABIC對 10種候選結構中最具商業可行性的3種進行了合成和物理測試，它們都滿足了移動、基礎設施、5G、醫療設備、涂料等目標應用領域對更高性能材料的所有初始標準要求。

SABIC表示，這種方法可以將聚合物的創新時間從幾年縮短到幾個月。更進一步，這種AI驅動的工作流程還激發了科學家利用計算工具來測試僅通過試錯試驗不可測試的更多新的結構。

5一種變革性方法

“當我們將10000種聚合物結構縮減到前10種聚合物用于基于物理的仿真時，對每一種聚合物結構的仿真可能需要一天左右的時間?！盋handrasekaran 說道，“但是，要通過試驗或直接合成和測試的方法來獲得聚合物，至少需要一個月或更長的時間。因此，這比單純的試驗快了好幾個數量級，這確實是變革性的?！?/p>

“但如果只能進行試驗，甚至無法做到這一點?！盉rowning補充道，“你會把那個領域的專家召集到一起，他們會決定嘗試5種、20種或30種——只要你有預算和時間?！?/p>

“這樣做需要花費時間?！彼^續說道，“一旦你縮小了范圍，就需要時間來尋找成分，合成聚合物。如果你正在做一些真正新的事情，可能會有多次迭代，才能確保你能制造出想要的聚合物。相反，我們以數字方式進行所有操作，可以獲得成功概率更高的子集，您可以對最有信心的子集進行試驗和驗證，這個周期要短得多?！?/p>

Chandrasekaran表示，這還為以前不可能實現的新創新帶來了可能。“假設你有一項非常具有挑戰性的任務，比如，因環境法規要求，需要將一種成分替換為另一種能夠提供相同或更好屬性但在毒性或可持續性方面不再有問題的成分，使用這種MI方法，就可以生成一個巨大的可行的化合物庫，而且可以買到并能獲得批準。然后，您可以運行ML并預測哪些成分和添加劑最有可能幫助實現所需的相同或更好的屬性?！?/p>

“因此，您可以考慮可測試的所有可能的分子以及可以使用的聚合物，您可以輕松列出100000種化合物，然后在幾分鐘內使用ML進行預測。因此，這是一種完全不同的方法，可以使你以不同的方式開始構思。你可以繪制單體并查看可供購買的分子的所有現有來源，然后將所有這些放入數據庫中，使用ML更有效地掃描該數據庫以查找感興趣的添加劑或分子?！盋handrasekaran 說道。

6儲氫罐及其他可能的應用

采用MI，可以為太空飛行器和零排放飛機應用的低溫液氫罐加快開發所需的新型復合材料（圖片來源：Infinite Composites，柯林斯航空航天公司的 COCOLIH2T 項目）

MI可能產生重大影響的另一個領域是當前對一些聚合物的研究，這些聚合物能夠抵抗低溫并防止液氫（LH2）滲透到復合材料層壓板中，可以在零排放飛機中用作新的存儲解決方案以及用于制作航天器所需的無內襯儲罐。MI可以在不經過多年試驗的情況下解鎖新的使能材料。“沒錯，這就是目標?！盋handrasekaran 說道，“Schr?dinger已經有一款名為 Formulations Machine Learning 的產品，任何科學家都可以在臺式機或筆記本電腦上進行ML，并調整組分、成分和化學成分，以及獲得非常準確的性能預測。你可以對整個數據庫進行預測，然后只對表現最好的分子進行試驗?！?/p>

這與Schr?dinger的其他MI工具和平臺都是基于臺式機/筆記本電腦的軟件，根據它們的格式和用途具有不同的許可證。“所有數據都保留在該公司的系統內，無任何東西進入云端?！盋handrasekaran說道，“該公司使用的所有數據以及所有IP和重要配方，都保留在臺式機或筆記本電腦中，所有分析和ML都可以在用戶的機器上本地完成?！?/p>

Browning表示，這些工具的應用范圍非常廣泛?！拔覀儸F在談論的是聚合物和聚合物復合材料，但這種方法可以做的事情要廣泛得多。

Browning補充說，與10年前相比，MI取得了長足進步，包括圍繞它的相關技術?！氨热纾覀冇懻摿耸褂没谖锢淼姆抡鎭碓鰪奙I功能，這些已經取得了長足進步。10年前可能看到這一點并說這不適合他們的人，我想說，現在情況已經大不相同了。易用性和可能的結果都確實取得了進步?！?/p>

“我們不只是讓客戶下載軟件并自行運行，我們真的很想與他們合作，以確保這個工具對他們有價值。因此，我們幫助客戶格式化數據并為他們的案例構建問題，然后與他們合作，從這些工具中獲得最大價值。”Chandrasekaran 說道。