AI+材料：AI重塑材料科学，驱动性能优化与成本革命.pptx

行业定义

AI+材料指将人工智能(AI)技术应用于材料科…;;;

AI+材料行业产业链主要有以下核心研究观点：[6]

算力、数据、算法作为AI+材料行业的上游核心技术，极大地提升了材料科学研究的效率和创新能力，为中国材料科学发展提供了强有力的技术支撑。

在材料科学领域，数据、算力和算法构成了技术研究的核心要素。其中，算力设备的稳定增长能够提高模拟和预测的精确度，指导实验设计，快速验证其在不同应用场景的性能，提高实验效率，加速创新应用开发，推动材料科学的快速发展。目前，中国通用算力规模已经超过498EFlops，智能算力超过142EFlops。同时，伴随着中国对于新材料产业的支持与推动，中国已经建立起了一系列高通量材料计算的数据平台。这些平台不仅包括了通用型的高通量材料发现计算流程平台如AFLOW和自动化交互式计算流程平台AiiDA，也涵盖了专注于第一性原理计;

产业链上游说明

借助人工智能强大的算力，材料的研发速度得以大幅提高。目前的机器学习方式主要有三种：监督学习，无监督学习以及强化(深度)学习。

监督学习算法是指在标记数据集上进行训练，使人工智能能够从过去的数据中学习并对新数据做出预测。这种技术通常用于根据已知特性预测材料特性。常见方法主要有：人工神经网络(ANN)、决策树(DT)和遗传编程(GP)等。无监督学习算法指处理未标记的数据，无需事先训练即可识别数据中的模式和关系。这对于发现新材料或现有材料的未知特性有很大用处。常见方法主要有：均值漂移 (Mean-Swift)、马尔科夫随机场(MRFs)、主成分分析(PCA)等。强化学习涉及通过反复试验来训练算法，奖励成功的结果并惩罚失败的结果。这种方法对于优化制造流程和材料合成很有效。常见方法主要有：深度神经网络(DNN)、卷积神经网络(CNN)和归递神经网络(RNN)等。以深圳晶泰科技为例，其自主搭建的XploreSeq?新一代抗体发现平台，可通过NGS和AI超高通量快速筛选数百万个B细胞。其中，在应用于VHH发现的案例中，其利用免疫噬菌体文库以及Sanger测序共识别出41??独特的VHH苗头分子。随后对文库进行NGS测序，并进行XploreSeq?分析。NGS结果包括之前识别出的41个苗头分子中的38个。此外，XploreSeq?还预测了43个新的VHHbinder。表达和测试时，上述43个分子中的30个(69.7%)被确认为是结合抗体，相比仅利用噬菌体展示获得的苗头抗体，其多样性显著提升。;

数据、算力和算法是进行材料科学研究的技术核心，目前中国正不断发展相关技术，为新材料研发加

速赋能。

新材料研发的原始数据主要来自高通量实验及高通量计算，经过多轮数据清洗，最终获得可建模的数据，并储存于数据库中。利用人工智能大数据分析对这些数据进行处理，可使新材料的发现速度加快300%。目前国内外已经形成了多个高通量材料计算数据平台，代表性的有高通量材料发现计算流程平台有AFLOW、自动化交互式计算流程平台AiiDA、第一性原理高通量计算平台MaterialsInformaticsPlatform、以及针对特定材料体系或特定性质计算平台Pylada和MPInterfaces等。同时，在2022年底，中国在用标准机架超过650万架，算力总规模为1.80万亿亿次浮点 (180EFLOPS),算力核心产业规模已达到1.8万亿元。受AI影响，从2022到2026年，中国人工智能算力规模年复合率将达到52.3%。

产业链中游

品牌端

AI+材料产业链中游包括材料研发科技厂商等。

中游厂商;

产业链下游说明

医疗药物是AI材料的主要应用领域，随着AI材料行业不断发展，其市场规模也将持续扩大。

深圳晶泰科技有限公司基于人工智能开发出了ID4Inno?和XupremAb?药物发现系统，包含智能计

算、自动化实验以及专家经验三大模块，为新药发现提供从药物靶点到获得临床前候选化合物的一体化服务形式，支持创新探索性的药物发现项目。2022年医疗药物人工智能解决方案市场规模为137亿美元，约占全球人工智能解决方案市场9.82%，同时预计其规模于2030年增长至1,553亿美元，CAGR为35.5%