隨著 2025 年諾貝爾化學(xué)獎(jiǎng)對(duì)網(wǎng)狀化學(xué)領(lǐng)域的認(rèn)可，金屬有機(jī)框架（MOFs）與共價(jià)有機(jī)框架（COFs）的研究再次成為材料科學(xué)的焦點(diǎn)。

共價(jià)有機(jī)框架（Covalent Organic Frameworks, COFs）是一類由輕元素通過(guò)強(qiáng)共價(jià)鍵連接形成的晶態(tài)多孔材料，自 2005 年被首次報(bào)道以來(lái)，因其多孔性、低密度、高比表面積、結(jié)構(gòu)可調(diào)和化學(xué)穩(wěn)定性，在氣體分離、催化、儲(chǔ)能、光電子學(xué)及藥物遞送等領(lǐng)域展現(xiàn)出巨大潛力。然而，與金屬有機(jī)框架（MOFs）相比，COFs的研究進(jìn)展相對(duì)緩慢，實(shí)驗(yàn)報(bào)道的 COFs 僅約 1, 250 種，而 MOFs 已超過(guò) 125, 000 種。這一差距的背后，既有合成結(jié)晶度的挑戰(zhàn)，也有數(shù)據(jù)積累和計(jì)算工具滯后的因素。

這種數(shù)據(jù)量的匱乏導(dǎo)致早期 AI 研究主要集中在 MOFs 上。然而，隨著假設(shè) COF（hypoCOF）數(shù)據(jù)庫(kù)的建立（如 Berkeley COF, ReDDCOFFEE）以及高通量計(jì)算篩選（HTCS）的發(fā)展，AI 正在填補(bǔ)這一空白。雖然 MOFs 在 AI 輔助研究中起步更早、數(shù)據(jù)庫(kù)更龐大，但 COFs 憑借其無(wú)金屬組成、高化學(xué)穩(wěn)定性和模塊化設(shè)計(jì)的獨(dú)特優(yōu)勢(shì)，正迎來(lái) AI 驅(qū)動(dòng)的黃金時(shí)代。

本次分享，我們深度解讀發(fā)表于 JACS Au 的前瞻性綜述 《Digital Reticular Chemistry: How Artificial Intelligence Is Redefining COF Research》，梳理 AI 如何從性能篩選、合成智能到自主發(fā)現(xiàn)，全方位加速 COFs 材料的設(shè)計(jì)與應(yīng)用，為關(guān)注多孔材料交叉研究的讀者提供參考。

01 從大規(guī)模篩選到數(shù)據(jù)高效的機(jī)器學(xué)習(xí)

在 MOF 領(lǐng)域，高通量計(jì)算篩選結(jié)合機(jī)器學(xué)習(xí)已發(fā)展得較為成熟。研究者建立了多個(gè)公開數(shù)據(jù)庫(kù)，并利用巨正則蒙特卡洛（GCMC）或分子動(dòng)力學(xué)模擬生成訓(xùn)練數(shù)據(jù)。COF 領(lǐng)域雖然起步較晚，但也陸續(xù)構(gòu)建了若干假設(shè)結(jié)構(gòu)數(shù)據(jù)庫(kù)，例如 Berkeley COF 數(shù)據(jù)庫(kù)（約 7 萬(wàn)種）、ReDDCOFFEE（約 27 萬(wàn)種）和 Genomic COF（約 47 萬(wàn)種）。這些數(shù)據(jù)庫(kù)為機(jī)器學(xué)習(xí)提供了必要的樣本空間。

圖1 金屬有機(jī)框架（MOF）和共價(jià)有機(jī)框架（COF）研究從網(wǎng)狀化學(xué)到數(shù)字化學(xué)的演變：網(wǎng)狀化學(xué)傳統(tǒng)上依賴于實(shí)驗(yàn)和人類直覺，而數(shù)字化學(xué)現(xiàn)在則利用大數(shù)據(jù)集、高通量分子模擬和機(jī)器學(xué)習(xí)模型，以實(shí)現(xiàn)材料的快速預(yù)測(cè)、篩選和逆向設(shè)計(jì)

早期工作多采用基于描述符的模型，即人為定義孔徑、表面積、元素組成等特征，再與模擬或?qū)嶒?yàn)數(shù)據(jù)建立映射。這類方法在面對(duì)新任務(wù)時(shí)往往需要重新訓(xùn)練，且依賴高質(zhì)量的描述符設(shè)計(jì)。近來(lái)，研究者開始探索更高效或更通用的策略：

• 主動(dòng)學(xué)習(xí)：

在 CH? 存儲(chǔ)篩選中，主動(dòng)學(xué)習(xí)算法從 Genomic COF 的 44 萬(wàn)余種結(jié)構(gòu)中僅通過(guò)約 50 次 GCMC 模擬就識(shí)別出性能最優(yōu)的材料，其甲烷可交付容量（222.2 v/v）超過(guò)了此前已知的最佳 Berkeley COF（216.9 v/v）。這種迭代采樣策略顯著降低了計(jì)算成本。

• 遷移學(xué)習(xí)：

針對(duì) COF 數(shù)據(jù)不足的問(wèn)題，研究者利用在 190 萬(wàn)種多孔材料上預(yù)訓(xùn)練的 Transformer 模型，再微調(diào)用于 COF 的 H? 吸附預(yù)測(cè)。結(jié)果表明，從 MOF 學(xué)習(xí)到的表征可以遷移至 COF，在數(shù)據(jù)有限時(shí)仍能保持較好的預(yù)測(cè)精度。

• 直接結(jié)構(gòu)學(xué)習(xí)：

部分工作不再依賴人工描述符，而是將 COF 的晶體結(jié)構(gòu)文件（CIF）或勢(shì)能面體素網(wǎng)格直接輸入神經(jīng)網(wǎng)絡(luò)。例如，使用卷積神經(jīng)網(wǎng)絡(luò)處理三維勢(shì)能網(wǎng)格，在預(yù)測(cè) CH? 吸附時(shí)，僅用較少訓(xùn)練樣本即達(dá)到甚至優(yōu)于傳統(tǒng)隨機(jī)森林模型的精度。另一種方法將原子坐標(biāo)和元素種類視為點(diǎn)云，利用深度學(xué)習(xí)直接從原始結(jié)構(gòu)預(yù)測(cè)吸附量，同樣在 COF 案例中表現(xiàn)出良好性能。

不過(guò)需要指出，這些模型輸入的 CIF 通常代表理想化的周期性結(jié)構(gòu)，未考慮實(shí)際二維 COF 中層間堆積無(wú)序或偏移的影響，這可能高估或低估實(shí)際的吸附性能。

02 AI賦能的多場(chǎng)景應(yīng)用突破

• 氣體分離與存儲(chǔ)

ML 模型已成功應(yīng)用于 COFs 的 CH?、H?、CO? 吸附性能預(yù)測(cè)。主動(dòng)學(xué)習(xí)策略使得僅需模擬 50 種材料即可從近 45 萬(wàn)種候選物中篩選出最優(yōu)材料；遷移學(xué)習(xí)則實(shí)現(xiàn)了從 MOFs 到 COFs 的知識(shí)遷移，緩解了 COF 數(shù)據(jù)稀缺問(wèn)題；而基于晶體結(jié)構(gòu)直接輸入的深度學(xué)習(xí)方法（如 3D 體素化、點(diǎn)云表示），進(jìn)一步擺脫了對(duì)人工設(shè)計(jì)描述符的依賴。

圖2 用于COFs中氣體分離和氣體儲(chǔ)存的機(jī)器學(xué)習(xí)方法：a）基于描述符的機(jī)器學(xué)習(xí)模型用于模擬COF膜；b）主動(dòng)學(xué)習(xí)用于預(yù)測(cè)COFs中CH₄的傳遞；c）遷移學(xué)習(xí)用于評(píng)估COFs的氫氣（H₂）吸收能力；d）直接結(jié)構(gòu)學(xué)習(xí)用于計(jì)算COFs對(duì)CH₄的吸收

• 催化、光電子學(xué)與能源領(lǐng)域

AI在COF研究中另一個(gè)活躍的領(lǐng)域是催化、光電子學(xué)和能源相關(guān)應(yīng)用，數(shù)據(jù)往往來(lái)自密度泛函理論（DFT）計(jì)算，成本較高，因此數(shù)據(jù)高效的機(jī)器學(xué)習(xí)顯得尤為重要。一個(gè)典型案例是 H?O? 光合作用 COF 光催化劑的發(fā)現(xiàn)。研究者首先基于 DFT 計(jì)算獲得分子描述符，訓(xùn)練模型后對(duì)約 3.3 萬(wàn)種 COF 進(jìn)行篩選，隨后合成了排名靠前的候選材料。其中性能最佳的 TAPPy-COF 在可見光下的 H?O? 產(chǎn)率達(dá)到 7.0 mmol g?¹ h?¹，優(yōu)于已有報(bào)道的 COF 光催化劑，且結(jié)構(gòu)穩(wěn)定。

在熒光 COF 的發(fā)現(xiàn)中，主動(dòng)學(xué)習(xí)被用于直接指導(dǎo)實(shí)驗(yàn)：貝葉斯優(yōu)化算法在僅有少量初始數(shù)據(jù)的情況下，從 3 種三醛與 26 種二胺的組合空間中推薦了 15 種 COF 進(jìn)行合成，結(jié)果發(fā)現(xiàn)兩種材料的熒光量子產(chǎn)率分別達(dá)到約 55% 和 45%，超越了此前的最好水平。這表明即使在化學(xué)空間相對(duì)較小、初始數(shù)據(jù)極少時(shí)，機(jī)器學(xué)習(xí)仍能有效識(shí)別異常高性能材料。

圖3 人工智能輔助的COF設(shè)計(jì)與發(fā)現(xiàn)，用于催化、光電子和能源應(yīng)用：a）基于機(jī)器學(xué)習(xí)的光催化制備H₂0₂催化劑設(shè)計(jì)；b）利用人工智能輔助發(fā)現(xiàn)高熒光COFs；c）基于機(jī)器學(xué)習(xí)的串聯(lián)吸附式熱泵用分子篩膜MOF和COF對(duì)篩選

• 環(huán)境與生物醫(yī)學(xué)應(yīng)用

在環(huán)境領(lǐng)域，短鏈 PFAS（如全氟丁酸）的水處理是一個(gè)難題。研究者用蒙特卡洛模擬計(jì)算了部分 COF 的吸附選擇性，再訓(xùn)練晶體圖卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)剩余結(jié)構(gòu)，發(fā)現(xiàn)三嗪基 COF 對(duì) PFBA 選擇性最高，而硼基 COF 雖然選擇性也不錯(cuò)但水穩(wěn)定性差。這類分析不僅提供了排序，還指出了值得優(yōu)先研究的化學(xué)類型。

圖4 基于人工智能的COF篩選在環(huán)境和生物醫(yī)學(xué)中的應(yīng)用：a）利用機(jī)器學(xué)習(xí)加速的高通量篩選，用于從水中去除短鏈全氟和多氟化合物(PFAS)；b）深度神經(jīng)網(wǎng)絡(luò)引導(dǎo)的COF篩選，用于5-氟尿嘧啶(5-FU)負(fù)載

在生物醫(yī)學(xué)方面，針對(duì) 5-氟尿嘧啶藥物負(fù)載的預(yù)測(cè)，深度神經(jīng)網(wǎng)絡(luò)表明比表面積和孔徑是主要控制因素，并篩選出 COF-362 作為吸附焓最高的候選。不過(guò)作者也提到，藥物釋放過(guò)程通常需要分子動(dòng)力學(xué)模擬，計(jì)算成本較高，未來(lái)若能結(jié)合加速 MD 的 AI 方法，將更有助于實(shí)際應(yīng)用。

03 合成智能:

從條件優(yōu)化到自主發(fā)現(xiàn)

近年來(lái)，COF 研究的一個(gè)顯著趨勢(shì)是將 AI 從單純的性能預(yù)測(cè)拓展到合成條件的優(yōu)化與設(shè)計(jì)。傳統(tǒng)合成 COF 需要精確控制溶劑、催化劑、溫度、時(shí)間和化學(xué)計(jì)量比，這些參數(shù)通常依賴文獻(xiàn)經(jīng)驗(yàn)或反復(fù)試驗(yàn)。

較早的工作聚焦于已知 COF 的條件優(yōu)化。例如，在用于大氣集水 COF-323 的合成中，研究者利用基于 ChatGPT 的助手進(jìn)行文獻(xiàn)檢索和實(shí)驗(yàn)規(guī)劃，配合貝葉斯優(yōu)化推薦微波合成條件。經(jīng)過(guò) 82 次實(shí)驗(yàn)，AI 引導(dǎo)的合成方案使 BET 表面積達(dá)到 926–1459 m²/g，約為此前報(bào)道最高值的兩倍，且在 10–40% 相對(duì)濕度下的水工作容量顯著提升。

更大規(guī)模的嘗試是將文獻(xiàn)中的合成知識(shí)系統(tǒng)化。研究者從 800 多篇 COF 論文中提取了 2709 個(gè)合成方案，包括連接體組合、溶劑、催化劑、溫度、時(shí)間及 PXRD 結(jié)果等，構(gòu)建了一個(gè)可檢索的數(shù)據(jù)庫(kù)。采用檢索增強(qiáng)生成（RAG）的方法，對(duì)新的連接體對(duì)推薦合成條件。基準(zhǔn)測(cè)試顯示，推薦溶劑和催化劑與文獻(xiàn)成功條件的一致性約為 83%，實(shí)驗(yàn)驗(yàn)證也成功合成了兩種新型氟化 COF。

更進(jìn)一步，LLM加速合成技術(shù)（LFAST） 將大語(yǔ)言模型與機(jī)器人合成及高通量 PXRD 分析整合。面對(duì)一種被 118 篇論文報(bào)道但始終未獲得尖銳衍射峰的 COF（TpPa-SO?H），該系統(tǒng)實(shí)現(xiàn)了迄今最高的結(jié)晶度指數(shù)。隨后，系統(tǒng)在沒(méi)有文獻(xiàn)先例的情況下，提出并成功合成了一種全新 COF——COF-2000，展示了從推薦條件到自主發(fā)現(xiàn)的跨越。

另一項(xiàng)工作中，AI 被用于為特定性能目標(biāo)選擇構(gòu)筑基元。基于對(duì) 355 篇 COF 光催化論文的文本挖掘（提取超過(guò) 1.1 萬(wàn)個(gè)化學(xué)關(guān)系），系統(tǒng)推薦了 TAPT 和 BTT 作為構(gòu)筑單元，并合成了亞胺連接的 Imi-COF 和噻唑連接的 Thz-COF，后者在 H?O? 產(chǎn)率和結(jié)構(gòu)穩(wěn)定性上均更優(yōu)。

圖5 人工智能輔助的人工引導(dǎo)型COF合成、發(fā)現(xiàn)與優(yōu)化：a）人工智能與人工協(xié)作，對(duì)COF-323的合成條件進(jìn)行迭代優(yōu)化，以提高其結(jié)晶度和水吸附能力；b）人工智能與人工協(xié)作，用于合成新型氟化COFs；c）LFAST輔助的自動(dòng)化COF合成與結(jié)晶度優(yōu)化；d）具有光催化制氫目標(biāo)性能的COFs的自主發(fā)現(xiàn)

不過(guò)作者也謹(jǐn)慎指出，仍需保持清醒。當(dāng)前的 AI 模型大多基于完美的晶體結(jié)構(gòu)（CIF 文件），當(dāng)前大語(yǔ)言模型并未真正理解 COF 的成核與生長(zhǎng)機(jī)制，其推薦主要基于文獻(xiàn)中的統(tǒng)計(jì)關(guān)聯(lián)，而非物理或化學(xué)機(jī)理?，F(xiàn)實(shí)中的 COFs 往往存在層間堆積無(wú)序、缺陷和穩(wěn)定性問(wèn)題。此外，缺乏 “失敗實(shí)驗(yàn)” 的數(shù)據(jù)，也讓 AI 對(duì)合成難度的評(píng)估存在偏差。

因此，AI 預(yù)測(cè)與文獻(xiàn)結(jié)果的高度一致性并不等同于真正的 “發(fā)現(xiàn)”，嚴(yán)格的實(shí)驗(yàn)驗(yàn)證和跨體系的基準(zhǔn)測(cè)試仍然是必需的。未來(lái)的關(guān)鍵，在于建立包含失敗案例的標(biāo)準(zhǔn)化數(shù)據(jù)庫(kù)，開發(fā)能理解復(fù)雜拓?fù)浣Y(jié)構(gòu)的生成式 AI，并最終實(shí)現(xiàn)計(jì)算與實(shí)驗(yàn)的閉環(huán)。

04 挑戰(zhàn)與未來(lái)方向

盡管上述進(jìn)展令人鼓舞，該展望也明確指出了若干瓶頸：

• 數(shù)據(jù)質(zhì)量與偏差：

失敗的合成、低結(jié)晶度或無(wú)定形產(chǎn)物很少被報(bào)道，導(dǎo)致訓(xùn)練數(shù)據(jù)偏向成功案例，模型可能高估合成可行性。未來(lái)的數(shù)據(jù)庫(kù)應(yīng)系統(tǒng)收錄負(fù)面結(jié)果，并增加標(biāo)準(zhǔn)化的合成與表征標(biāo)簽。

• 結(jié)構(gòu)表示與拓?fù)浞夯?/span>

大多數(shù)模型假設(shè)理想晶體結(jié)構(gòu)，對(duì)二維 COF 的層間堆疊無(wú)序、柔性或缺陷缺乏有效描述。此外，常見拓?fù)浣Y(jié)構(gòu)（如 hcb、sod）容易被編碼，但較復(fù)雜的網(wǎng)絡(luò)（如 qom、ana）則難以推廣。改進(jìn)拓?fù)涓兄硎緦⑹翘嵘赡Ｐ涂煽啃缘年P(guān)鍵。

• 計(jì)算與實(shí)驗(yàn)的閉環(huán)：

作者強(qiáng)調(diào)，未來(lái)的自主實(shí)驗(yàn)室應(yīng)實(shí)現(xiàn) “設(shè)計(jì)—合成—表征—再設(shè)計(jì)” 的閉環(huán)，這需要計(jì)算科學(xué)家與實(shí)驗(yàn)化學(xué)家的深度協(xié)作。同時(shí)，文本挖掘工具（如針對(duì) COF 的 ChemicalTagger 或 MOF-ChemUnity）應(yīng)擴(kuò)展到捕捉穩(wěn)定性限制、活化失敗等信息，以訓(xùn)練更具 “合成意識(shí)” 的 AI 模型。

• 機(jī)器學(xué)習(xí)勢(shì)的發(fā)展：

目前針對(duì) COF 的機(jī)器學(xué)習(xí)勢(shì)函數(shù)仍很有限，而 COF 的共價(jià)鍵特性、層間弱相互作用及結(jié)構(gòu)柔性都需要專用勢(shì)能模型。結(jié)合量子力學(xué)計(jì)算、原子模擬和機(jī)器學(xué)習(xí)的多尺度方法有望更真實(shí)地預(yù)測(cè)吸附、擴(kuò)散及結(jié)構(gòu)響應(yīng)。

總體來(lái)看，AI 在 COF 領(lǐng)域的角色正從加速計(jì)算篩選擴(kuò)展到輔助實(shí)驗(yàn)設(shè)計(jì)和合成規(guī)劃。但它的作用仍是輔助性的 —— 將研究者的精力從重復(fù)性試錯(cuò)中解放出來(lái)，而非取代對(duì)化學(xué)本質(zhì)的理解。對(duì)所有材料科學(xué)的前沿探索者來(lái)說(shuō)，擁抱 “數(shù)字網(wǎng)狀化學(xué)”，意味著我們正站在下一個(gè)重大科學(xué)突破的門檻上。

文獻(xiàn)原文：

https://doi.org/10.1021/jacsau.6c00576

聲明：

本文所有內(nèi)容旨在學(xué)術(shù)探討與信息交流，所有權(quán)利歸原作者所有。

從學(xué)術(shù)前瞻到產(chǎn)業(yè)落地,

晶泰科技的AI+材料研發(fā)布局

學(xué)術(shù)界的展望為我們勾勒了 AI 輔助 COF 研究的諸多可能性，但一個(gè)不容忽視的現(xiàn)實(shí)是：這些方法大多仍停留在計(jì)算篩選和有限實(shí)驗(yàn)驗(yàn)證階段。從 AI 推薦到實(shí)驗(yàn)室可靠合成，中間還橫亙著數(shù)據(jù)碎片化、實(shí)驗(yàn)通量不足、反饋周期長(zhǎng)等障礙。要真正跑通 “預(yù)測(cè)—實(shí)驗(yàn)—迭代” 的閉環(huán)，不僅需要更聰明的算法，也需要標(biāo)準(zhǔn)化的實(shí)驗(yàn)數(shù)據(jù)生成能力和自動(dòng)化的執(zhí)行平臺(tái)。晶泰科技的算法體系以 AI 為核心，構(gòu)建了 “干濕閉環(huán)” 的科研體系，在藥物、材料等多領(lǐng)域?qū)崿F(xiàn)技術(shù)落地。

1. 核心算法布局：200+垂類AI化學(xué)模型打造“化學(xué)超級(jí)大腦”

依托百萬(wàn)級(jí)化合物與反應(yīng)數(shù)據(jù)庫(kù)，打造覆蓋分子生成、結(jié)構(gòu)優(yōu)化、反應(yīng)預(yù)測(cè)、性質(zhì)預(yù)判、條件篩選等全研發(fā)場(chǎng)景的 200 + 垂類 AI 化學(xué)模型，融合量子力學(xué)計(jì)算與機(jī)器學(xué)習(xí)能力，自由能微擾計(jì)算精度行業(yè)領(lǐng)先，可精準(zhǔn)預(yù)判反應(yīng)可行性、分子成藥性與材料理化性質(zhì)，還能自主遍歷海量化學(xué)空間生成最優(yōu)實(shí)驗(yàn)方案，實(shí)時(shí)復(fù)盤數(shù)據(jù)修正參數(shù)。

2. 算法落地核心：“干濕閉環(huán)”實(shí)現(xiàn)AI與實(shí)驗(yàn)雙向賦能

• 干實(shí)驗(yàn)（AI 算力）指導(dǎo)濕實(shí)驗(yàn)：

AI 提前預(yù)判最優(yōu)反應(yīng)路徑、篩選核心參數(shù)，讓自動(dòng)化實(shí)驗(yàn)精準(zhǔn)靶向有效研發(fā)方向

• 濕實(shí)驗(yàn)反哺干實(shí)驗(yàn)：

自主實(shí)驗(yàn)室產(chǎn)生的海量結(jié)構(gòu)化真實(shí)數(shù)據(jù)持續(xù)訓(xùn)練、迭代 AI 模型，實(shí)現(xiàn)越用越準(zhǔn)的自進(jìn)化效果，打通 “AI 預(yù)測(cè) - 智能設(shè)計(jì) - 自動(dòng)化實(shí)操 - 數(shù)據(jù)迭代” 的閉環(huán)

3. 材料領(lǐng)域算法應(yīng)用案例

• 高分子材料配方優(yōu)化：

基于客戶歷史數(shù)據(jù)建立 AI 預(yù)測(cè)模型并推薦配方，硬件實(shí)現(xiàn)全流程自動(dòng)化，通過(guò)表征結(jié)果自主推薦下一輪實(shí)驗(yàn)，僅需 3-6 次迭代即可鎖定最佳配方，實(shí)現(xiàn) AI + 高分子自動(dòng)化合成的數(shù)據(jù)閉環(huán)

• MOF 材料研發(fā)：

將結(jié)構(gòu)表征與性能測(cè)試直接關(guān)聯(lián)，構(gòu)建以性能為導(dǎo)向的數(shù)據(jù)閉環(huán)，實(shí)現(xiàn) MOF 材料從隨機(jī)試錯(cuò)向理性設(shè)計(jì)與快速迭代的跨越

• 催化材料研發(fā)：

搭建全流程自動(dòng)化高通量研發(fā)平臺(tái)，通過(guò) XRD 樣品自動(dòng)制備與表征，系統(tǒng)自動(dòng)比對(duì)分析譜圖、判斷實(shí)驗(yàn)是否達(dá)標(biāo)，結(jié)合評(píng)價(jià)結(jié)果利用算法挖掘分子篩結(jié)構(gòu)與催化性能的構(gòu)效關(guān)系

• 電解液配方優(yōu)化：

先利用通用 AI 模型提取并結(jié)構(gòu)化公開文獻(xiàn)數(shù)據(jù)，再通過(guò)圖神經(jīng)網(wǎng)絡(luò)構(gòu)建高精度性質(zhì)預(yù)測(cè)模型并智能采樣，最后由自動(dòng)化工站執(zhí)行方案并通過(guò)主動(dòng)學(xué)習(xí)策略實(shí)時(shí)優(yōu)化模型精度

圖 AI+機(jī)器人結(jié)合賦能材料科學(xué)研究

4. 算法數(shù)據(jù)支撐：AI4Science 數(shù)據(jù)基座與標(biāo)準(zhǔn)化數(shù)據(jù)基建

• 生物材料研發(fā)自主實(shí)驗(yàn)室通過(guò)端到端自動(dòng)化、復(fù)雜操作標(biāo)準(zhǔn)化和 AI4Science 數(shù)據(jù)基座，打通 “自動(dòng)化實(shí)驗(yàn)→數(shù)據(jù)沉淀→模型迭代→智能決策” 的 AI 研發(fā)閉環(huán)

• 自主研發(fā)為 AI 算法而生的數(shù)據(jù)基礎(chǔ)設(shè)施，將材料結(jié)構(gòu)、配方、工藝等關(guān)鍵參數(shù)編碼化，構(gòu)建專屬結(jié)構(gòu)化實(shí)驗(yàn)數(shù)據(jù)庫(kù)，解決傳統(tǒng)實(shí)驗(yàn)數(shù)據(jù)碎片化、非結(jié)構(gòu)化的難題