2024年諾貝爾化學(xué)獎(jiǎng)與物理學(xué)獎(jiǎng)花落人工智能（AI）相關(guān)研究項(xiàng)目，這一標(biāo)志性事件不僅彰顯了AI技術(shù)的成熟度，更預(yù)示著它正以革新之勢(shì)重塑科學(xué)研究的固有范式。在化工與材料研發(fā)領(lǐng)域，眾多企業(yè)敏銳捕捉到這一技術(shù)變革的浪潮，紛紛投身其中，或自主探索，或攜手科技企業(yè)，借助AI技術(shù)賦能科研開(kāi)發(fā)，力求推動(dòng)行業(yè)從傳統(tǒng)模式向“預(yù)測(cè)性設(shè)計(jì)”和“精準(zhǔn)創(chuàng)制”的智能化方向大步邁進(jìn)。

人工智能技術(shù)在化工材料研發(fā)領(lǐng)域的應(yīng)用

當(dāng)下，AI技術(shù)在化工材料研發(fā)領(lǐng)域已展現(xiàn)出巨大的應(yīng)用潛力，不少企業(yè)已收獲顯著成果。

巴斯夫引入高性能超級(jí)計(jì)算機(jī)Quriosity，將AI融入分子與化合物模擬計(jì)算流程。這一舉措大幅提升了計(jì)算效率，能夠快速篩選聚合物結(jié)構(gòu)，加速新型分子和化合物的開(kāi)發(fā)進(jìn)程。曾經(jīng)需要耗時(shí)一年的計(jì)算任務(wù)，如今僅需短短數(shù)天即可完成，而且還能挖掘出傳統(tǒng)方法難以察覺(jué)的潛在關(guān)聯(lián)性，為研發(fā)工作開(kāi)辟新思路。

陶氏化學(xué)與微軟達(dá)成合作，將AzureAI和機(jī)器學(xué)習(xí)技術(shù)深度整合到聚氨酯等材料研發(fā)中。其構(gòu)建的AI模型宛如智能大腦，能夠在短短幾秒內(nèi)對(duì)數(shù)百萬(wàn)種配方組合進(jìn)行分析篩選，并給出極具針對(duì)性的優(yōu)化建議。原本需要4～6個(gè)月才能完成的實(shí)驗(yàn)室探索工作，現(xiàn)在僅需30秒就能完成，效率提升約20萬(wàn)倍，大大縮短了新材料差異化解決方案的上市時(shí)間，使企業(yè)在市場(chǎng)競(jìng)爭(zhēng)中搶占先機(jī)。

萬(wàn)華化學(xué)借助AI技術(shù)在催化劑篩選環(huán)節(jié)實(shí)現(xiàn)了重大突破。面對(duì)14000多種備選方案，AI算法迅速篩選出156種具有潛力的選項(xiàng)，隨后進(jìn)一步優(yōu)化至4種，精準(zhǔn)推薦分子合成實(shí)驗(yàn)，極大縮短了研發(fā)周期，讓科研效率得到質(zhì)的飛躍。

寧德時(shí)代則另辟蹊徑，將材料機(jī)理、大數(shù)據(jù)分析與AI算法有機(jī)結(jié)合，加速電解液、正極、包覆等電池材料的開(kāi)發(fā)。通過(guò)這種創(chuàng)新模式，不僅研發(fā)周期縮短了30%，研發(fā)成本也降低了30%，在提升產(chǎn)品性能的同時(shí)，有效提升了企業(yè)的經(jīng)濟(jì)效益。

晶泰科技利用量子物理模擬、AI算法與云計(jì)算技術(shù)搭建智能化藥物研發(fā)平臺(tái)，在藥物研發(fā)領(lǐng)域大放異彩。在項(xiàng)目初期，該平臺(tái)可生成百萬(wàn)量級(jí)的虛擬分子，并快速篩選出關(guān)鍵候選分子。在與輝瑞合作研發(fā)新冠口服藥PAXLOVID時(shí)，AI預(yù)測(cè)算法結(jié)合實(shí)驗(yàn)驗(yàn)證，僅用6周就成功確定優(yōu)勢(shì)藥物晶型，而傳統(tǒng)方法則需要數(shù)月以上的時(shí)間，充分展示了AI技術(shù)在藥物研發(fā)領(lǐng)域的高效性。

從這些案例不難看出，AI技術(shù)與多學(xué)科知識(shí)的深度融合，能夠在海量方案中快速篩選出可行選項(xiàng)，并進(jìn)一步優(yōu)化，顯著縮短實(shí)驗(yàn)和研發(fā)周期，提高研發(fā)效率。同時(shí)，它還能更加精準(zhǔn)地實(shí)現(xiàn)材料設(shè)計(jì)、性能預(yù)測(cè)和工藝優(yōu)化，為研發(fā)決策提供科學(xué)、可靠的依據(jù)，加速新材料的發(fā)現(xiàn)與應(yīng)用，為化工材料領(lǐng)域的創(chuàng)新發(fā)展注入強(qiáng)勁動(dòng)力。

人工智能技術(shù)在化工材料研發(fā)領(lǐng)域面臨的挑戰(zhàn)

盡管AI技術(shù)在化工材料研發(fā)領(lǐng)域前景廣闊，但在實(shí)際應(yīng)用過(guò)程中，仍面臨著諸多嚴(yán)峻挑戰(zhàn)。

01 | 在數(shù)據(jù)層面，主要面臨數(shù)據(jù)稀缺、異構(gòu)化、質(zhì)量缺陷等困境

目前，大量有價(jià)值的有效數(shù)據(jù)分散存儲(chǔ)于企業(yè)內(nèi)部，且多以非結(jié)構(gòu)化形式存在，這使得數(shù)據(jù)的流通與整合困難重重。尤其是在新型材料研發(fā)方面，由于缺乏歷史數(shù)據(jù)作為支撐，AI技術(shù)面臨著嚴(yán)重的“冷啟動(dòng)”難題。此外，單純依靠實(shí)驗(yàn)獲取數(shù)據(jù)不僅耗時(shí)費(fèi)力，成本也極高，嚴(yán)重制約了數(shù)據(jù)的廣泛收集與應(yīng)用。

在新材料設(shè)計(jì)過(guò)程中，需要融合多種不同類(lèi)型的數(shù)據(jù)，如分子結(jié)構(gòu)【簡(jiǎn)化分子線性輸入規(guī)范（SMILES）】、光譜數(shù)據(jù)（紅外、拉曼）以及工藝參數(shù)（溫度、壓力）等。同時(shí)，還需實(shí)現(xiàn)從微觀數(shù)據(jù)到宏觀性能的跨尺度數(shù)據(jù)關(guān)聯(lián)，這對(duì)數(shù)據(jù)處理技術(shù)與整合方法提出了極高的要求。然而，不同機(jī)構(gòu)在材料成分標(biāo)注（如質(zhì)量分?jǐn)?shù)與摩爾分?jǐn)?shù)混用）、實(shí)驗(yàn)條件記錄等方面缺乏統(tǒng)一規(guī)范，導(dǎo)致數(shù)據(jù)融合與模型訓(xùn)練效率低下。

實(shí)驗(yàn)過(guò)程中不可避免地會(huì)產(chǎn)生各種誤差，如設(shè)備測(cè)量誤差、批次誤差等，這些誤差嚴(yán)重影響了數(shù)據(jù)的準(zhǔn)確性。此外，不同實(shí)驗(yàn)室對(duì)于同一現(xiàn)象的定義往往存在較大差異，導(dǎo)致數(shù)據(jù)標(biāo)注的一致性難以保障，數(shù)據(jù)的可靠性與可用性大打折扣。數(shù)據(jù)質(zhì)量還體現(xiàn)在數(shù)據(jù)的不均衡性上，在化工材料研發(fā)數(shù)據(jù)中，某些性能優(yōu)良或特殊的材料數(shù)據(jù)占比極少，這使得模型在訓(xùn)練時(shí)難以充分學(xué)習(xí)少數(shù)類(lèi)數(shù)據(jù)，從而影響對(duì)稀有但重要材料特性的預(yù)測(cè)和分析。

02 | 在算法和模型層面，面臨模型可解釋性矛盾、多尺度建模時(shí)空鴻溝、小樣本學(xué)習(xí)瓶頸等挑戰(zhàn)

深度神經(jīng)網(wǎng)絡(luò)在材料性能預(yù)測(cè)方面雖然能夠達(dá)到較高的準(zhǔn)確率，但其內(nèi)部物化機(jī)制的解釋度卻很低，形成了典型的“黑箱模型困境”。究其原因，現(xiàn)有AI模型大多以數(shù)據(jù)驅(qū)動(dòng)為主，缺乏對(duì)質(zhì)量守恒、熱力學(xué)定律等基礎(chǔ)物理規(guī)律的有效嵌入，導(dǎo)致預(yù)測(cè)結(jié)果可能與科學(xué)常識(shí)相悖。因此，如何在保證模型復(fù)雜度的同時(shí)，提高其物理可解釋性，成為亟待解決的關(guān)鍵難題。

材料研發(fā)需要跨越從飛秒級(jí)分子動(dòng)力學(xué)到年尺度老化實(shí)驗(yàn)的12個(gè)數(shù)量級(jí)的時(shí)間維度，同時(shí)關(guān)聯(lián)量子計(jì)算與反應(yīng)器級(jí)的空間特征。盡管目前有一些模型框架?chē)L試通過(guò)多尺度理論建模來(lái)縮小這一鴻溝，但在實(shí)際應(yīng)用中仍受到計(jì)算資源與算法效率的雙重制約。

在新材料研發(fā)場(chǎng)景中，可用數(shù)據(jù)量往往非常有限，通常小于100個(gè)樣本數(shù)量，這使得傳統(tǒng)模型的泛化誤差較大。對(duì)于未經(jīng)驗(yàn)證的體系，零樣本探索的預(yù)測(cè)失效率更高。雖然遷移學(xué)習(xí)等技術(shù)為解決這一問(wèn)題提供了一些思路，但數(shù)據(jù)噪聲與領(lǐng)域差異仍然顯著影響著模型的遷移效果。

03 | 在人才層面，跨學(xué)科知識(shí)融合不足、人才培養(yǎng)體系不完善、人才吸引力和留存問(wèn)題皆不容忽視

化工材料研發(fā)涉及化學(xué)、物理等多學(xué)科知識(shí)，而AI技術(shù)則需要計(jì)算機(jī)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)等領(lǐng)域的專(zhuān)業(yè)知識(shí)。這兩種知識(shí)體系之間存在較大差異，導(dǎo)致既懂化工材料又精通AI技術(shù)的復(fù)合型人才極度稀缺。此外，AI算法專(zhuān)家與化工材料領(lǐng)域?qū)＜抑g存在明顯的知識(shí)壁壘，雙方溝通協(xié)作困難，也阻礙了算法模型與化工材料研發(fā)的深度融合。

當(dāng)前，許多從事AI技術(shù)的人才缺乏化工材料研發(fā)的實(shí)際項(xiàng)目經(jīng)驗(yàn)，對(duì)研發(fā)流程、需求和痛點(diǎn)了解不夠深入。同時(shí)，化工材料AI研發(fā)領(lǐng)域的實(shí)踐平臺(tái)和項(xiàng)目剛剛開(kāi)始，人才在實(shí)踐中積累經(jīng)驗(yàn)、提升能力還不夠，這也在一定程度上制約了AI技術(shù)在該領(lǐng)域的應(yīng)用與發(fā)展。

AI領(lǐng)域高端人才競(jìng)爭(zhēng)異常激烈，與互聯(lián)網(wǎng)、金融等熱門(mén)行業(yè)相比，化工材料行業(yè)因研發(fā)環(huán)境相對(duì)艱苦、待遇水平不高等因素，在吸引和留住人才方面面臨較大壓力，人才流失現(xiàn)象也較為嚴(yán)重。

利用AI技術(shù)加速化工材料研發(fā)的思考建議

加速AI技術(shù)在化工材料研發(fā)中的落地應(yīng)用，可以從數(shù)據(jù)、算法和模型、人才三個(gè)關(guān)鍵層面著手應(yīng)對(duì)挑戰(zhàn)。

01 | 在數(shù)據(jù)層面，加強(qiáng)數(shù)據(jù)整合與共享，建立和完善數(shù)據(jù)標(biāo)準(zhǔn)化，提升數(shù)據(jù)質(zhì)量，挖掘數(shù)據(jù)實(shí)現(xiàn)增值

應(yīng)建立企業(yè)內(nèi)部統(tǒng)一的數(shù)據(jù)管理平臺(tái)，將各業(yè)務(wù)部門(mén)、子公司分散的數(shù)據(jù)資源進(jìn)行有效整合，打破數(shù)據(jù)孤島，實(shí)現(xiàn)數(shù)據(jù)的集中存儲(chǔ)與共享，讓數(shù)據(jù)在企業(yè)內(nèi)部自由流通。同時(shí)，積極與外部科研機(jī)構(gòu)、高校開(kāi)展合作，建立數(shù)據(jù)共享機(jī)制，廣泛獲取更多維度的外部數(shù)據(jù)，豐富數(shù)據(jù)來(lái)源，為AI模型訓(xùn)練提供充足的數(shù)據(jù)支持。

制定涵蓋材料成分標(biāo)注、實(shí)驗(yàn)條件記錄等方面的統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)和規(guī)范，確保不同來(lái)源的數(shù)據(jù)具有一致性和可比性，便于后續(xù)的數(shù)據(jù)融合與模型訓(xùn)練，提升數(shù)據(jù)的可用性和價(jià)值。

構(gòu)建全面的數(shù)據(jù)質(zhì)量評(píng)估體系，對(duì)數(shù)據(jù)的準(zhǔn)確性、完整性、一致性等進(jìn)行嚴(yán)格評(píng)估與監(jiān)控。加強(qiáng)數(shù)據(jù)清洗和預(yù)處理工作，去除數(shù)據(jù)中的噪聲和錯(cuò)誤數(shù)據(jù)。同時(shí)，優(yōu)化實(shí)驗(yàn)設(shè)計(jì)和操作流程，從源頭上減少誤差，保障數(shù)據(jù)質(zhì)量。

充分利用數(shù)據(jù)挖掘技術(shù)，從海量的歷史數(shù)據(jù)中挖掘潛在的規(guī)律和知識(shí)，為新材料研發(fā)提供有價(jià)值的參考。通過(guò)數(shù)據(jù)分析預(yù)測(cè)新的市場(chǎng)需求和研發(fā)方向，為企業(yè)的戰(zhàn)略決策提供有力支撐，實(shí)現(xiàn)數(shù)據(jù)的價(jià)值最大化。

02 | 在算法和模型層面，增強(qiáng)模型可解釋性，多尺度優(yōu)化建模，突破小樣本學(xué)習(xí)技術(shù)

研發(fā)將物理規(guī)律、化學(xué)原理等有效嵌入其中的AI模型，使模型的預(yù)測(cè)結(jié)果具有科學(xué)依據(jù)且可解釋。同時(shí)，加強(qiáng)對(duì)模型的驗(yàn)證與評(píng)估，確保其可靠性和準(zhǔn)確性，為研發(fā)決策提供可靠的支持。

開(kāi)展多尺度建模技術(shù)研究，建立從微觀到宏觀的跨尺度模型，實(shí)現(xiàn)不同尺度數(shù)據(jù)的融合與分析。通過(guò)優(yōu)化模型的算法和計(jì)算方法，提高模型的計(jì)算效率和精度，降低誤差累積，提升模型在化工材料研發(fā)中的實(shí)用性和可靠性。

積極探索適合小樣本數(shù)據(jù)的學(xué)習(xí)方法，如遷移學(xué)習(xí)、元學(xué)習(xí)等，提高模型在小樣本數(shù)據(jù)下的泛化能力和預(yù)測(cè)性能。加強(qiáng)數(shù)據(jù)增強(qiáng)技術(shù)研究，通過(guò)數(shù)據(jù)增強(qiáng)方法擴(kuò)充小樣本數(shù)據(jù)集，提升模型的訓(xùn)練效果，有效解決小樣本數(shù)據(jù)帶來(lái)的挑戰(zhàn)。

03 | 在人才層面，建設(shè)高效的人才培養(yǎng)體系，跨學(xué)科融合培養(yǎng)，著力吸引和留住人才

建立跨學(xué)科的人才培養(yǎng)體系，加強(qiáng)化工材料專(zhuān)業(yè)與計(jì)算機(jī)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)等專(zhuān)業(yè)的交叉融合，培養(yǎng)既懂化工材料又精通AI的復(fù)合型人才。鼓勵(lì)員工積極參與跨學(xué)科的學(xué)習(xí)和培訓(xùn)，提升員工的綜合素質(zhì)和跨學(xué)科能力，為企業(yè)的AI技術(shù)應(yīng)用提供堅(jiān)實(shí)的人才保障。

加強(qiáng)高校與企業(yè)的合作，建立實(shí)習(xí)基地和實(shí)踐平臺(tái)，為高校學(xué)生提供更多接觸實(shí)際項(xiàng)目的機(jī)會(huì)，培養(yǎng)學(xué)生的實(shí)踐能力和創(chuàng)新意識(shí)。同時(shí)，加強(qiáng)企業(yè)內(nèi)部人才培養(yǎng)，通過(guò)內(nèi)部培訓(xùn)、項(xiàng)目實(shí)踐等方式，提升員工的AI技術(shù)水平和應(yīng)用能力。

制定具有競(jìng)爭(zhēng)力的人才政策，提高化工材料行業(yè)對(duì)人才的吸引力。為人才提供良好的工作環(huán)境和廣闊的發(fā)展空間，給予他們具有挑戰(zhàn)性的項(xiàng)目任務(wù)，激發(fā)人才的創(chuàng)新活力。加強(qiáng)企業(yè)文化建設(shè)，增強(qiáng)人才的歸屬感和忠誠(chéng)度，留住優(yōu)秀人才，打造一支穩(wěn)定、高素質(zhì)的人才隊(duì)伍。

只有積極應(yīng)對(duì)挑戰(zhàn)并采取切實(shí)有效的措施，加速AI技術(shù)在化工材料研發(fā)中的落地應(yīng)用，提升企業(yè)的創(chuàng)新能力與核心競(jìng)爭(zhēng)力，企業(yè)才能在激烈的市場(chǎng)競(jìng)爭(zhēng)中脫穎而出，引領(lǐng)化工材料研發(fā)行業(yè)的創(chuàng)新發(fā)展。

轉(zhuǎn)載自：化工好料到haoliaodao.com

來(lái)源：中國(guó)化工信息周刊