화학 물질의 연구 및 무료 슬롯서 재료 정보학 (MI)

1. 화학 물질의 연구 및 무료 슬롯 및 그 과제

일본에서 연구하고 개발되고있는 많은 재료들 중에서 화학 물질은 총계의 절반 정도, 강철, 금속, 섬유, 유리, 유리 등의 전체를 차지합니다. 화학 물질은 석유, 석탄 및 가스와 같은 기본 원료로 만든 중간 재료이며, 플라스틱 및 합성 섬유로, 공중에서 우연히 사용되며, 고대의 유전자로 사용됩니다. 의약품 및 농업. 특히 화학 물질 무료 슬롯 대한 일본의 기술 능력은 전 세계적으로 높이 평가되고 있으며, 미래의 강점으로 자랑스러워 할 수있는 분야가 계속 될 것이라는 데는 의심의 여지가 없습니다.

이제 이러한 화학 물질의 연구 및 무료 슬롯 다양한 과제가 있습니다. 예를 들어, 목표 속성 값을 충족시키는 화학 물질을 찾으려면 수많은 원료 및 성분 조합에서 최적의 재료를 결정해야하므로 매우 어려울 수 있습니다. 또한 실제로 제조 공정의 여러 처리 단계와 공급망과 같은 복잡한 제약 조건을 고려해야하며 최근에는 점점 더 정교한 고객 요구, 소비자 기대 변경, 회사 ​​및 투자자의 지속 가능성, 규제 환경 변화 및 무역 환경과 같은 어려운 시장 요소도 있습니다. 그렇다면 이와 같은 화학 물질의 연구 및 개발을 어떻게 진행해야합니까? 이것의 핵심은 이전 열에서 소개 한 AI를 활용하는 재료 정보학입니다. 그렇다면 시트린 플랫폼은 어떻게 화학 물질의 연구 및 무료 슬롯 도움이 될 수 있습니까?

2. 시트린 플랫폼을 사용한 화학 물질 및 솔루션의 연구 및 무료 슬롯서 AI 활용 문제

AI를 사용한 재료 무료 슬롯은 적용되는 위치에 따라 다른 고유 한 과제를 가지고 있지만 화학 물질 분야에서는 화학 물질에 고유 한 문제도 있습니다.

2-1 화학 정보를 기계 읽을 수있는 데이터로 변환

먼저 화학 정보를 기계 읽을 수있는 데이터로 변환하는 방법을 설명합니다. 시트린 플랫폼은 화학 공식 (조성식 공식, 분자 공식), 구조 공식 (Smiles/Inci)과 같은 입력 데이터에서 분자량과 같은 100 개 이상의 물리적 양을 추가로 획득 할 수 있으며이를 특징 수량으로 사용할 수 있습니다. 화학 물질의 연구 및 개발에 대한 AI의 간단한 접근 방식은 구성 요소와 혼합 비율 만 사용하여 특성을 예측하는 반면, 시트린 플랫폼의 접근 방식은이 데이터 변환 기능을 사용하여 기능 컨텐츠 외에 성능을 예측합니다. 이 접근법을 통해 효율적이고 정확한 기계 학습 모델을 구성 할 수있어 재료 개발이 고속으로 수행 될 수 있습니다.

2-2 고객 요청에 대한 빠른 응답

이 기사는 고객 대응 기능을 향상시키는 예로 선도적 인 전문 화학 회사의 경우를 기준으로이를 설명합니다. 이 회사는 이전에 데이터 손실로 인해 제품 포트폴리오의 전반적인 그림을 불완전했습니다. 테스트는 일반적으로 시간이 많이 걸리고 비용이 많이 들기 때문에 다른 회사가 재료의 모든 특성을 측정하고 기록하는 것은 아닙니다. 그러나 이로 인해 신제품을 고려할 때 실험을 효율적으로 수행 할 수없고 고객 요청에 신속하게 응답 할 수없는 문제가 발생합니다. 따라서 Citrine Informatics는 회사와 협력하여 데이터 손실을 채우기위한 AI 중심 접근 방식을 취했습니다.

우리가 수행 한 주요 프로세스는 세 가지 프로세스입니다. 데이터 구조화 및 시각화, 도메인 지식 통합 및 알려지지 않은 특성 값을 예측합니다.

먼저, 데이터가 구조화되고 시각화되었으며, 원래 데이터 형식으로 데이터는 개발 된 데이터 형식을 사용하여 최종 제품의 생산으로 이어지는 일련의 프로세스를 고려하여 연구원이 시각적으로 더 쉬운 형식으로 준비되었습니다. 다음으로 도메인 지식을 통합 할 것입니다. AI가 각 대상 특성을 예측하려면 재료의 구조적 특징이 특성에 어떤 영향을 미치는지, 어떤 구성 요소 및 처리의 측면이 특성 및 전위에 영향을 미치는지 이해해야합니다. 시트린 플랫폼은 이러한 연구원의 노하우를 AI 모델에 통합 할 수 있으므로 도메인 지식을 통합하는 AI 모델을 구축하기 위해 노력하고 있습니다. 마지막으로, 우리는 알려지지 않은 특성 값을 예측합니다. 위의 두 프로세스를 통해 구축 된 AI 모델을 통해 기존 제품의 누락 된 특성 값을 예측하고 잠재적 인 신제품의 특성 값을 예측할 수 있습니다. 이 회사는 시트린 플랫폼을 사용하여 고객의 요구를 충족시키는 유망한 후보 자료를 신속하게 식별하고 제안 된 실험에서 플랫폼에 데이터를 추가하고 모델을 반복적으로 재구성하여 모델을 추가로 개선하고 실험 수를 줄일 수있었습니다.

2-3 제한 성분의 개혁

그래서 기존 제품을 개선하거나 재구성해야 할 때는 언제 필요합니까? 예를 들어, 제어 물질의 제거, 저비용 대안의 개발 및 공급망의 혼란으로 인한 원료 교체. 여기서 우리는 제한된 성분을 고려하고 재조합 과정을 고려하는 방법을 소개합니다.

Citrine Platform의 재료 무료 슬롯 접근법은 순차적 학습을 사용하여 재료 데이터를 캡처하고, 데이터를 구성하며, 기계 읽을 수있는 형식으로 변환하며, 알려진 과학적 관계 및 연구원의 자체 노하우를 데이터에 추가하여 데이터를 특성화합니다. 그런 다음 "검색 공간"을 탐색하려는 영역을 정의하고 거기에서 성능 특성의 목표에 따라 기계 학습 모델을 구성하고 후보자 자료를 검색합니다.

비용 제약 및 구성 요소 제약과 같은 특정 제약 조건을 고려한 후 후보자 자료를 계산하려면 "검색 공간"에서 이러한 제약 조건을 정의해야하지만 기존 제품을 개선 해야하는 경우 리믹스 공간 설정을 수정해야합니다. 이 경우 데이터, 추가 기능 및 AI 모델을 프로젝트간에 재사용 할 수 있습니다. 이러한 방식으로 시트린 플랫폼은 새로운 데이터를 준비하고 모델을 처음부터 구축하는 작업이 필요하지 않으며 기존 제품을 효율적으로 개선 할 수 있습니다.

예를 들어, 규정이나 기타 이유로 인해 특정 자료를 사용할 수 없다고 가정 해 봅시다. 시트린 플랫폼 검색 공간 설정 화면에서 후보자 자료에 대한 검색 범위에 특정 자료를 포함할지 여부를 선택할 수 있으므로이 경우 검색 범위에서 관련 자료를 제외하고 후보자 자료 선택을 쉽게 진행할 수 있습니다.

이 칼럼에 대한 자세한 내용은 4 번째 시트린 플랫폼 제품 소개 세미나, 화학 재료 에디션을 참조하십시오. 당신이 놓친 세미나 방송SCSK 비디오 스트리밍 사이트에서 개최되고 있으므로이 기회를 통해 시청하십시오.