除了近年大火的教育、醫(yī)療、制造業(yè)，人工智能（AI）還能“+”些什么?近日，北京化工研究院副院長郭子芳，針對自己所處的專業(yè)領(lǐng)域?qū)Α癆I+新材料研發(fā)”進(jìn)行了深度解碼。

1.AI能做什么？“預(yù)測性設(shè)計(jì)”“精準(zhǔn)創(chuàng)制”

AI在為傳統(tǒng)行業(yè)帶來突破性變革的同時(shí)，也正在重構(gòu)科學(xué)研究的路徑。在郭子芳看來，AI不是單純的顛覆者，同時(shí)也是賦能者。

“2024年諾貝爾化學(xué)獎(jiǎng)與物理學(xué)獎(jiǎng)均花落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重塑科學(xué)研究的固有范式?！惫臃急硎?，當(dāng)前在化工與材料研發(fā)領(lǐng)域，有不少企業(yè)已敏銳捕捉到這一技術(shù)變革的浪潮，紛紛借助AI技術(shù)賦能科研開發(fā)，力求推動(dòng)行業(yè)從傳統(tǒng)模式向“預(yù)測性設(shè)計(jì)”和“精準(zhǔn)創(chuàng)制”的智能化方向邁進(jìn)。

比如，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，能快速篩選聚合物結(jié)構(gòu)，加速新型分子和化合物的開發(fā)進(jìn)程。曾經(jīng)需耗時(shí)一年的計(jì)算任務(wù)，如今僅需數(shù)天即可完成，而且還能挖掘出傳統(tǒng)方法難以察覺的潛在關(guān)聯(lián)性，為研發(fā)開辟新思路。

陶氏化學(xué)與微軟達(dá)成合作，將Azure AI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模型能在幾秒內(nèi)對數(shù)百萬種配方組合進(jìn)行分析篩選，并給出極具針對性的優(yōu)化建議。原本需4～6個(gè)月的實(shí)驗(yàn)室探索工作，現(xiàn)在僅需30秒，大大縮短了新材料差異化解決方案的上市時(shí)間。

萬華化學(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)，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發(fā)。這種創(chuàng)新模式使研發(fā)周期和研發(fā)成本均減少30%。

郭子芳認(rèn)為，從上述案例可以看出，AI技術(shù)與多學(xué)科知識(shí)的深度融合，能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。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，為創(chuàng)新發(fā)展注入強(qiáng)勁動(dòng)力。

2.AI應(yīng)用有哪些挑戰(zhàn)？數(shù)據(jù)、算法和模型、人才

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)用過程中仍面臨諸多挑戰(zhàn)。郭子芳表示，挑戰(zhàn)主要集中在三個(gè)層面。

一是數(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。尤其在新型材料研發(fā)方面，由于缺乏歷史數(shù)據(jù)支撐，AI技術(shù)面臨嚴(yán)重的‘冷啟動(dòng)’難題?！惫臃颊f。

據(jù)了解，在新材料設(shè)計(jì)過程中，需融合多種不同類型數(shù)據(jù)，如分子結(jié)構(gòu)(簡化分子線性輸入規(guī)范)、光譜數(shù)據(jù)(紅外、拉曼)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)，這對數(shù)據(jù)處理技術(shù)與整合方法提出了極高要求。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。

此外，實(shí)驗(yàn)過程中不可避免會(huì)產(chǎn)生各種誤差，如設(shè)備測量誤差、批次誤差等，但不同實(shí)驗(yàn)室對同一現(xiàn)象的定義存在較大差異，導(dǎo)致數(shù)據(jù)標(biāo)注的一致性難以保障，讓數(shù)據(jù)的可靠性與可用性大打折扣。質(zhì)量缺陷還體現(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)類數(shù)據(jù)，從而影響對稀有但重要材料特性的預(yù)測和分析。

二是算法和模型層面，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)測方面雖能達(dá)到較高的準(zhǔn)確率，但其內(nèi)部物化機(jī)制的解釋度很低，形成了典型的“黑箱模型困境”。究其原因，現(xiàn)有AI模型多以數(shù)據(jù)驅(qū)動(dòng)為主，缺乏對質(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嘗試通過多尺度理論建模來縮小這一鴻溝，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)場景中，可用數(shù)據(jù)量有限，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。對于未經(jīng)驗(yàn)證的體系，零樣本探索的預(yù)測失效率更高。雖然遷移學(xué)習(xí)等技術(shù)為解決這一問題提供了思路，但數(shù)據(jù)噪聲與領(lǐng)域差異仍顯著影響著模型的遷移效果?！惫臃颊f。

三是在人才層面，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題不容忽視。

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)域的專業(yè)知識(shí)?！皟煞N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?！惫臃急硎?，AI算法專家與化工材料領(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)目剛起步，人才在實(shí)踐中積累的經(jīng)驗(yàn)、提升的能力還不夠，也在一定程度上形成制約。

此外，AI領(lǐng)域高端人才競爭激烈，與互聯(lián)網(wǎng)、金融等熱門行業(yè)相比，化工材料行業(yè)因研發(fā)環(huán)境相對艱苦、待遇水平不高等因素，在吸引和留住人才方面也面臨較大壓力。

3.如何加速AI落地應(yīng)用？從三個(gè)關(guān)鍵層面著手

針對上述三個(gè)關(guān)鍵層面的挑戰(zhàn)，郭子芳提出，應(yīng)多措并舉，加速AI技術(shù)在化工材料研發(fā)中的落地應(yīng)用。

首先，在數(shù)據(jù)層面，加強(qiáng)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)價(jià)值成為應(yīng)對之策。

郭子芳建議，建立企業(yè)內(nèi)部統(tǒng)一的數(shù)據(jù)管理平臺(tái)，將分散的數(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。同時(shí)，積極與外部科研機(jī)構(gòu)、高校開展合作，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)來源，為AI模型訓(xùn)練提供充足數(shù)據(jù)支持。

“為提升數(shù)據(jù)的可用性和價(jià)值，還應(yīng)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。還應(yīng)構(gòu)建全面的數(shù)據(jù)質(zhì)量評(píng)估體系，對數(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。此外，建議加強(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?！惫臃冀ㄗh。

還可利用數(shù)據(jù)挖掘技術(shù)，從海量歷史數(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。通過數(shù)據(jù)分析預(yù)測新的市場需求和研發(fā)方向，為企業(yè)的戰(zhàn)略決策提供支撐，實(shí)現(xiàn)數(shù)據(jù)價(jià)值最大化。

其次，在算法和模型層面，應(yīng)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)。

“建議研發(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)測結(jié)果具有科學(xué)依據(jù)且可解釋。同時(shí)，加強(qiáng)對模型的驗(yàn)證與評(píng)估，確保其可靠性和準(zhǔn)確性?！惫臃急硎荆€可開展多尺度建模技術(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。通過優(yōu)化模型的算法和計(jì)算方法，可提高計(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。

此外，可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)測性能。加強(qiáng)數(shù)據(jù)增強(qiáng)技術(shù)研究，擴(kuò)充小樣本數(shù)據(jù)集，提升模型訓(xùn)練效果，有效解決小樣本數(shù)據(jù)帶來的挑戰(zhàn)。

再次，在人才層面，建設(shè)高效的人才培養(yǎng)體系、實(shí)現(xiàn)跨學(xué)科融合培養(yǎng)是重中之重。

在跨學(xué)科人才培養(yǎng)體系方面，要加強(qiáng)化工材料專業(yè)與計(jì)算機(jī)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)等專業(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)，提升綜合素質(zhì)和跨學(xué)科能力。此外，應(yīng)當(dāng)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。

“當(dāng)然，還要制定具有競爭力的人才政策，提高化工材料行業(yè)對人才的吸引力，激發(fā)人才創(chuàng)新活力，增強(qiáng)人才的歸屬感和忠誠度，打造一支穩(wěn)定、高素質(zhì)的人才隊(duì)伍。”郭子芳總結(jié)說。

轉(zhuǎn)載自：化工好料到haoliaodao.com

來源：中國化工信息周刊