2025 證券石油石化行業(yè)研究：Deepseek+機器人化工的時代大考

國聯(lián)民生證券證券研究報告GUOLIANMINSHENGSECURITIES行業(yè)研究|行業(yè)深度研究|石油石化行業(yè)研究|行業(yè)深度研究|石油石化Deepseek+機器人：化工的時代大考請務必閱讀報告末頁的重要聲明請務必閱讀報告末頁的重要聲明2025年02月14日證券研究報告Al+機器人正深刻變革化工行業(yè)，有望帶來效率革命。傳統(tǒng)化工研發(fā)依賴“試錯法”,周期長、成本高，而Al與機器人技術融合后，從分子模擬到材料基因組學的全鏈條效率將被重新定義，既能降低傳統(tǒng)材料成本，又能縮短新材料研發(fā)周期。面對化工新材料研發(fā)的“多尺度復雜性’與“實驗驗證滯后”痛點，Al通過跨尺度建模、分子動力學加速等方案實現(xiàn)突破。在生產流程中，Al結合高通量機器人實驗優(yōu)化生產，降低損耗與故障率。但AI也在瓦解傳統(tǒng)技術壁壘，“白癡指數(shù)”高的材料受沖擊大。化工企業(yè)需加強Al研發(fā)、引進人才、推動數(shù)字化轉型，以應對挑戰(zhàn)，把握發(fā)展機遇。GUOLIANMINSHENGSECURITIES行業(yè)研究|行業(yè)深度研究2025年02月14日石油石化投資建議：強于大市(維持)上次建議：強于大市相對大盤走勢—石油石化——滬深300-10%相關報告1、《石油石化：對美關稅反制如何影響能2、《石油石化：2025:大化工大有可為——大化工行業(yè)2025年度投資策略》2024.12.18>Al+機器人重構化工研發(fā)范式：從實驗室到工業(yè)化的效率革命>新材料預測的挑戰(zhàn)與Al的破局方案：數(shù)據(jù)+算法的雙重賦能我們認為：化工新材料研發(fā)面臨“多尺度復雜性”與“實驗驗證滯后”兩大痛點。類似Deepseek等頂尖Al工具有望通過以下方案突破瓶頸：但是規(guī)?；a卻完全失敗，此類風險與跨尺度誤類似Deepseek這類Al工具可以在粗糙幅加速分子動力學的研究。例如Al2BMD系統(tǒng)在精度相同的情況下，實現(xiàn)了超過100萬倍的模擬加速，并將誤差減少了10倍以上。Wen等在Al-Co-Cr-Cu-Fe-Ni系統(tǒng)中搜索高硬度的HEAs時，僅用155個初始樣本，經(jīng)7輪阿姆斯特丹大學開發(fā)了一種集成人工智能機器學習單元的機器人RoboChem,一周內，RoboChem可以優(yōu)化大約10到20個分子的合成，而對于研究人員手動來說，這通常需要幾>高通量機器人+Al驅動的生產流程革命：成本與精度雙突破錯法”,找到生產過程中的最優(yōu)解，精確地控制生產過程中的各個參數(shù)的能力或呈指數(shù)級提升，生產過程的損耗也有望大幅降低的同時產品合格率也有望得到大幅提升。Al還可以實時監(jiān)測設備的狀態(tài)，提前發(fā)現(xiàn)潛在的故障隱患顯著例如>高通量機器人+Al驅動的生產流程革命：成本與精度雙突破錯法”,找到生產過程中的最優(yōu)解，精確地控制生產過程中的各個參數(shù)的能力或呈指數(shù)級提升，生產過程的損耗也有望大幅降低的同時產品合格率也有望得到大幅提升。Al還可以實時監(jiān)測設備的狀態(tài)，提前發(fā)現(xiàn)潛在的故障隱患顯著例如LGCNS利用AutoMLVisionEdge創(chuàng)建制造智能解決方案，可檢測裝配線上從LCD屏幕和光學薄膜到汽車面料等所有物品的缺陷。AutoMLVisionEdge將缺陷檢測準確率提高了6%,并將設計和訓練ML模型的時間從七天縮短到幾個小時。>Al驅動的材料創(chuàng)新正在打破傳統(tǒng)技術壁壘我們認為，在Al+機器人時代，“白癡指數(shù)”越高的化工材料面臨Al+機器人的沖擊或越嚴峻。產品的成本相比制造該產品的原材料成本的比例即為馬斯克提出的“白癡指數(shù)”,在Al+機器人時代，高“白癡指數(shù)”意味著其生產過程有很大的優(yōu)化空間，Al技術更容易在這些材料的研發(fā)和生產中發(fā)揮作用，找到低成本的替代品。而對于一些白癡指數(shù)較低的化工材料，如部分成熟化工產品或者已近處于嚴重過剩的化工品，其生產工藝已經(jīng)相對成熟，生產過程簡單高效，受到Al沖擊或相對較輕。例如谷歌DeepMind利用材料探索圖形網(wǎng)絡(GNoME),使得穩(wěn)定晶體發(fā)現(xiàn)數(shù)較過往提升一個數(shù)量級；美國加州大學伯克利分校團隊利用自動實驗室系統(tǒng)，在17天內成功合成41種目標材料，成功率超7成。也蘊含著無限的發(fā)展機遇。只有通過加強Al技術的應用與研發(fā)投入、培養(yǎng)和引進Al人才、推動企業(yè)數(shù)字化轉型以及關注行業(yè)動態(tài)等措施，化工企業(yè)才能夠在這場時代大考中實現(xiàn)轉型升級，實現(xiàn)可持續(xù)發(fā)展。在未來的化工行業(yè)競爭中，只有積極擁抱變革，勇于創(chuàng)新的企業(yè)才能立于不敗之>>我們認為Al+機器人大概率將帶來化工行業(yè)的效率革命，化工行業(yè)在不久的將來，很可能呈現(xiàn)“Al驅動者勝出，遲疑者淘汰出局”的兩極分化格局。建議重點關注兩類企業(yè)：一是積極搭建Al研發(fā)團隊、投入大量資源探索Al與化工融合路徑的企業(yè)；二是已經(jīng)將Al+機器人應用于生產，實現(xiàn)成本顯著降低、產能明顯提升的企業(yè)。風險提示：技術發(fā)展不及預期：數(shù)據(jù)風險共享偏差：市場競爭加?。赫卟淮_定性。行業(yè)研究|行業(yè)深度研究正文目錄1.新材料預測的挑戰(zhàn)與Al的破局方案：數(shù)據(jù)+算法的雙重賦能 51.1跨尺度建模誤差控制 61.2分子動力學加速 1.3小樣本強化學習 1.4高通量機器人驗證：大幅提升新產品的研發(fā)速度 1.5產業(yè)知識圖譜構建 2.高通量機器人+Al驅動的生產流程革命：成本與精度雙突破 2.1Al優(yōu)化生產流程，降低成本與損耗 2.2Al賦能制造環(huán)節(jié)，提升精度與效率 3.Al驅動的材料創(chuàng)新正在打破傳統(tǒng)技術壁壘 3.1通過深度學習發(fā)現(xiàn)新材料 3.2根據(jù)應用需求直接生成新材料 3.3Al+機器人結合開發(fā)自動實驗室系統(tǒng) 3.4Al驅動的材料創(chuàng)新正在打破傳統(tǒng)技術壁壘 4.投資建議：捕捉Al+機器人時代的化工投資機遇 5.風險提示 圖表目錄圖表1:Al+機器人效率革命示意圖 6圖表2:Al+機器人效率革命示意圖 6圖表3:基于機器學習的跨尺度技術：分子動力學與有限元(FEM)的耦合 7圖表4:有限元結構和分子動力學上的初始原子構型示意圖 8圖表5:石墨烯薄片分析動力學仿真的研究示意圖 9圖表6:跨尺度建模系統(tǒng) 9圖表7:ML-AIMD方法流程示意圖 圖表8:AI2BMD系統(tǒng)流程示意圖 圖表9:材料科學中機器學習的發(fā)展趨勢和小數(shù)據(jù)集 圖表10:小樣本學習方法及相關案例 圖表11:基于RL的拓撲優(yōu)化可以根據(jù)特定應用需求預測改進的超材料設計 圖表12:近距離展示了單個光反應器小瓶從機器人底座轉移到光反應器塊的過程 圖表13:近距離展示了 圖表14:RoboChem試驗流程 圖表15:材料知識圖譜的架構 圖表16:材料知識圖譜在鋰電池材料預測中的應用(以LiFePO?的發(fā)展里程碑為例) 圖表17:材料知識圖譜用于鋰電池正極材料的發(fā)現(xiàn) 圖表18:人工智能在制造生產過程中的運用 圖表19:Al在工業(yè)中的各類運用 圖表20:科學方法的進展 行業(yè)研究|行業(yè)深度研究圖表21:GNoME利用圖形網(wǎng)絡進行材料探索 圖表22:GNoME使材料發(fā)現(xiàn)實現(xiàn)數(shù)量級突破 圖表23:材料設計篩選方法和生成方法示意圖 圖表24:MatterGen可根據(jù)不同設計要求對模型進行微調 圖表25:MatterGen明顯優(yōu)于傳統(tǒng)篩選方法 圖表26:Al指導機器人制造新材料 圖表27:A-Lab合成成功率可超7成 圖表28:技術驅動加速發(fā)現(xiàn)周期 行業(yè)研究|行業(yè)深度研究1.新材料預測的挑戰(zhàn)與Al的破局方案：數(shù)據(jù)+算法的雙重賦能化工新材料研發(fā)面臨“多尺度復雜性"與“實驗驗證滯后”兩大痛點：多尺度復雜性：材料的特性往往源于跨多個尺度的相互作用——從電子在量子層面的行為到我們在宏觀層面觀察到的性質(例如強度、電導率)。準確建模這些相互作用在計算上十分困難。材料在宏觀層面所表現(xiàn)出的特性(如在應力下的彎曲程度)是其微觀結構(原子排列、鍵合方式),甚至更細致的亞微觀特征(電子分布)共同作實驗驗證滯后：在過去，一種新材料從理論上提出(通?；诶碚撚嬎?到實際合成難，需要特定的設備與專業(yè)技能；材料特性表征(測量材料性能)也需要多種手段，一輪設計與試驗，導致周期冗長、成本高企。通過以類似Deepseek這類頂尖人工智能(Al)技術與機器人技術相結合，正在從根本上改變傳統(tǒng)的化學研發(fā)流程。這場變革貫穿整個研發(fā)管線——從小規(guī)模實驗室中過數(shù)據(jù)驅動洞察與自動化實驗及制造的協(xié)同整合，實現(xiàn)研發(fā)效率與成果的飛躍。GUOLIANMINSHENGSECURITIES圖表1:Al+機器人效率革命示意圖生成式模型/預測反應路徑：使用機器學習提出新生成式模型/預測反應路徑：使用機器學習提出新PhotocatalystType(BPL,PhotocatalystLoading文本挖掘：自動從文獻中提取配方、溫度以及目標材料等信息。DeepMind):導入材料計算屬性、可能的穩(wěn)定相等數(shù)據(jù)。知識整合：將文獻數(shù)據(jù)與計算數(shù)據(jù)相結合。知識空白&新假設：分析所有過往循環(huán)后，提出新的問題——例如“還可用哪些條件提高產率?”或“哪種前驅體可以增強穩(wěn)定性?”機器知識表達：更新后的知識表配方優(yōu)化：整合本輪發(fā)現(xiàn)(是否獲得目標相?是否有副產相?),將更新后的“配方”存入數(shù)據(jù)庫。精修確認：使用精修(如Rietveld方法)對相鑒定進行最終確認，并記錄結果。機器人合成：利用自動化(高通量機器人)操作進行前驅體稱量與混合(粉末定量)、爐子加熱或其他必要的合成步驟。原位表征：機器人手臂將樣品送至X射線衍射(或其他表征)站點。原始衍射圖譜&相鑒定：基于AI/ML的衍射圖譜識別，將結果與結構數(shù)據(jù)庫匹配。模式/異常檢測：識別意外結果，可能的新25mmts%相，或確認已知目標相。合成“配方”(前驅體、條件、溫度)。的材料組成或合成路線。配方建議：基于文本挖掘與計算模型，生成可能的LutidineLoading(1-1提問研究測試評估假設Cjcheethph報告Szymanski等，《Acceleratingmaterialsdiscoveryusingartificialintelligence,highp圖表2:Al+機器人效率革命示意圖(A)(A)多尺度復雜性挑戰(zhàn)1.微觀層面：原子間力場與量子計算2.介觀層面：孔洞結構、材料密度對強度影響3.宏觀層面：小試與大規(guī)模生產差異—跨尺度誤差累積，導致成功率偏低產業(yè)知識圖譜&AI驅動生產流程革命兩大痛點—研發(fā)效率低下，競爭力受限(B)實驗驗證滯后挑戰(zhàn)1.傳統(tǒng)試錯周期長，成本高，人為誤差大2.實驗規(guī)模有限，難以一次性覆蓋大量參數(shù)3.驗證滯后導致錯失研發(fā)窗口，市場反應慢資料來源：《AnautonomouslaboratoryfortheacceleratedAI對應方案高通量機器人+小樣本學習>自動化實驗平臺，一次性快速篩選大量化合物少量實驗即可推斷最佳配方>實驗驗證速度數(shù)倍提升，顯著縮短迭代周期跨尺度建模+MD加速>全原子/粗粒度/多尺度混合建模>精準預測規(guī)?；^程中的材料性質>全流程精準管理與優(yōu)化>降低試錯與故障率新材料研發(fā)&生產工藝優(yōu)化痛點Szymanski等，《Aceleratingmaterialsdiscoveryusingartificialintelligence,highperformancecomputingandrobotics》-E0Pyzer-Knapp等，國聯(lián)民生證券研究所1.1跨尺度建模誤差控制在微觀層面，原子間相互作用力的計算存在誤差；介觀層面，材料中細微的孔洞結構變化或材料密度改變，均會對材料強度產生顯著影響；宏觀層面，實驗室小規(guī)模試驗成功但大規(guī)模生產失敗的風險，與跨尺度誤差的累積緊密相關。當前工業(yè)應用中，大多采用現(xiàn)象學建模。該建模方式主要基于對現(xiàn)象的直接觀察與描行業(yè)研究|行業(yè)深度研究述構建模型，并不深入探究現(xiàn)象背后的微觀機制或基本原理，重點在于捕捉、解釋可觀測的現(xiàn)象、行為及關系，通過歸納、抽象等方法，將所觀察到的現(xiàn)象特征和規(guī)律以數(shù)學、邏輯等語言表達出來。采用機器學習(ML)建模，有望提供一種隱含的跨尺度技術。相較于傳統(tǒng)現(xiàn)象學建模方法，該技術在運算速度上具有顯著優(yōu)勢。在由分子動力學仿真構建的數(shù)據(jù)庫上對神經(jīng)網(wǎng)絡進行訓練，具體可參照圖表3a。通過訓練神經(jīng)網(wǎng)絡，能夠生成一個機器學習模型，該模型可取代傳統(tǒng)計算方式，用于推導本構關系。需注意的是，這些本構關系源于原子尺度，而原子尺度包含的信息遠多于宏觀尺度。求解實現(xiàn)，即把預測的宏觀尺度變形輸入神經(jīng)網(wǎng)絡，進而評估本構關系，具體過程如圖表3b所示。這種方法能夠實現(xiàn)不同尺度間的平滑過渡，原子級別的計算巧妙地嵌入機器學習模型中，為解決跨尺度問題提供了一種高效且新穎的思路。圖表3:基于機器學習的跨尺度技術：分子動力學與有限元(FEM)的耦合simulationsFJ(b)FEmodelDataset資料來源：《AState-of-the-ArtReviewonMachineLearning-HomogenizationandDesignofMaterials》-DanaBishara等，國聯(lián)民生證券研究所同時，運用跨尺度有限元模型，能夠追蹤給定晶體中所有在幾何上可被接受的缺陷運動情況。這些跨尺度模型會假定在材料內部特定區(qū)域，綜合考量原子尺度的位置和更高尺度之間的關聯(lián)，以此來推導出本構關系。圖表4展示的是特殊有限元結構，它能夠檢測出可接受度較高的位錯區(qū)域，該有限元模型基于原子尺度推導出的本構定律來應用。與傳統(tǒng)分子動力學方法相比，有限元法在時間耗費上展現(xiàn)出明顯優(yōu)勢。而且，本構關系可以借助神經(jīng)網(wǎng)絡來替代傳統(tǒng)推導方式，從而達成跨尺度的過渡。國聯(lián)民生證券行業(yè)研究|行業(yè)深度研究GUOLIANMINSHENGSECURITIES圖表4:有限元結構和分子動力學上的初始原子構型示意圖 HomogenizationandDesignofMaterials》-DanaBishara等，國聯(lián)民生證券研究所行業(yè)研究|行業(yè)深度研究圖表5:石墨烯薄片分析動力學仿真的研究示意圖NN8686224681012141618●FreevibratingatomsSp/SRmaxHomogenizationandDesignofMaterials》-DanaBishara等，國聯(lián)民生證券研究所withaNext-GenerationSimulationInfrastructure》這一研究提出了一種全新的跨尺度建模系統(tǒng)MuMMI。該系統(tǒng)能夠分析RAS/RAF蛋白質與膜的相互作用，通過識別特定的脂質-蛋白質指紋，來強化可進行效應子結合的蛋白質方向。這個模型連接了三個不同分辨率的尺度：其一，最粗糙的尺度是連續(xù)體模型，它能夠模擬面積為1μm2的膜在毫秒級時間內的狀態(tài)；其二，中間尺度是粗粒(CG)馬提尼微珠模型，主要用于探究蛋白質與脂質之間的相互作用；其三，最精細的尺度是全原子(AA)模型，用于捕捉脂質和蛋白質之間具體的相互作用。Feedback30nm-140KparticlesAllAtomx10K30nm-1.4MparticlesSimulationInfrastructure》-Helgi1.Ingólfsson等，國聯(lián)民生證券研究所行業(yè)研究|行業(yè)深度研究1.2分子動力學加速分子動力學(MD)模擬對于了解材料在原子層面的行為非常關鍵。不過，傳統(tǒng)的分子動力學存在計算量極大的問題，這導致它通常只能模擬極短的時間尺度和極小的系統(tǒng)規(guī)模。而Al技術能夠借助機器學習力場(MLFFs)、增強采樣方法、粗?；Ｐ偷榷喾N手段，顯著加快分子動力學的研究進程。傳統(tǒng)分子動力學由于計算量巨大，模擬的時間尺度短、系統(tǒng)規(guī)模小?；跈C器學習的方法與量子力學相結合構建原子力場，在眾多應用場景中展現(xiàn)出成本低、準確性高以及通用性強的優(yōu)勢。機器學習在力場計算領域的前景十分廣闊，它能夠以近乎從頭計算的精度來預測力和能量，同時計算成本和所需時間卻大幅減少。舉例來說，通過AIMD從馬氏體轉變所描述的原子間勢中學習，并且達到了高精度。這些結果表明，ML-AIMD方法可以捕捉到準確的原子間勢，能夠反映出鋯的能量學和結構轉變性質。這些結果與實驗數(shù)據(jù)以及密度泛函理論的模擬數(shù)據(jù)相符，但是計算成本和時間比傳統(tǒng)方式小很多。=={Ri,…..Rj,...RN}R:RReferenceatomicconfiguReferenceatomicconfigu資料來源：《AState-of-the-ArtReviewonMachineLearning-BasedMultiscaleModeling,Simulation,HomogenizationandDesignofMaterials》-DanaBishara等，國聯(lián)民生證券研究所微軟研究院科學智能中心基于Al開發(fā)的量子級動力學模擬系統(tǒng)AI2BMD,實現(xiàn)了重大突破，它在保持與量子模擬相同精度的同時，實現(xiàn)了超100萬倍的加速。以往那些需耗費數(shù)月甚至更久才能完成的模擬任務，利用Al2BMD系統(tǒng)僅需2秒多就能完成。相較于經(jīng)典模擬，AI2BMD系統(tǒng)將力的計算誤差減少了10倍以上，達到了量子GUOLIANMINSHENGSECURITIES級精度，也就是從頭計算的精度水平。這不僅大幅提升了模擬的準確性，還打破了傳統(tǒng)經(jīng)典模擬中為防止體系崩潰而設置的人為約束，讓模擬結果更貼近真實的生物體系，為分子動力學模擬開辟了全新路徑。RMSDRMSD圖表8:AI2BMD系統(tǒng)流程示意圖ThermodynamicsDatasetsWet-labexperimentalit+△t→...→t+nAt資料來源：《AbinitiocharacterizationofproteinmoleculardynamicswithAI2BMD》-TongWang等，國聯(lián)民生證券研究所1.3小樣本強化學習化學材料研發(fā)往往缺乏大規(guī)模數(shù)據(jù)，實驗成本高昂，因此可用數(shù)據(jù)集有限。強化學習(RL)可以在小樣本場景中發(fā)揮優(yōu)勢：RL通過與環(huán)境(如模擬系統(tǒng)或自動化機器人平臺)交互并獲得獎勵(例如成功合成了具備目標性能的材料),不斷學習如何做出更優(yōu)決策(如選擇實驗參數(shù))。元強化學習(meta-reinforcementlearning)在此尤為有前景：它允許智能體在面對新任務(新材料)時，能以少量數(shù)據(jù)迅速適應。總的來說，在化學材料研發(fā)中，小樣本強化學習主要具有加速新材料發(fā)現(xiàn)、優(yōu)化實驗設計和提高模型泛化能力的作用：1)加速新材料發(fā)現(xiàn)：通過小樣本強化學習，模型可以從有限的實驗數(shù)據(jù)中學習材料的結構與性能關系，預測潛在的新材料組合，指導實驗設計，從而加速新材料的發(fā)現(xiàn)2)優(yōu)化實驗設計：利用小樣本強化學習，研究人員可以優(yōu)化實驗參數(shù)設置，減少實驗次數(shù)，降低研發(fā)成本。3)提高模型泛化能力：通過引入先驗知識和遷移學習，小樣本強化學習模型能夠更好地適應不同類型的材料數(shù)據(jù)，提高預測的準確性和可靠性。行業(yè)研究|行業(yè)深度研究目前國內已有相關研究成果。近日，哈爾濱工業(yè)大學(深圳)劉興軍教授和張海軍教授等人在ScienceChinaMateria/s發(fā)表綜述論文，系統(tǒng)地梳理了材料科學中小樣本學習策略的研究進展，包括集成學習、無監(jiān)督學習、主動學習和遷移學習，并提出了未來研究的方向，如少樣本學習和虛擬樣本生成。此外，還強調了將材料領域知識嵌入機器學習的重要性。小樣本學習能從多方面推動材料研發(fā)的發(fā)展，具體而言，數(shù)據(jù)利用效率能顯著提升，比如Wen等在AI-Co-Cr-Cu-Fe-Ni系統(tǒng)中搜索高硬度的HEAs時，僅用155個初始樣本，經(jīng)7輪主動學習迭代，就獲得了硬度提升顯著的合金；Yuan等運用主動學習策略，在尋找新型無鉛BaTiO?基壓電材料時，通過5輪迭代就篩選出性能優(yōu)異的材料，使研發(fā)進程大大加快。小樣本學習使研究人員突破數(shù)據(jù)限制，探索更多材料可能性。少樣本學習和虛擬樣本生成技術可在少量數(shù)據(jù)基礎上拓展研究邊界，挖掘新的材料性能和應用。隨著技術發(fā)展，這些方法將為材料領域帶來更多創(chuàng)新成果，促進材料科學的進步。圖表9:材料科學中機器學習的發(fā)展趨勢和小數(shù)據(jù)集■MLpublications■MLpublicationsinthematerialsfield→Numberofreviews→NumberofresearcharticlesTotalnumberofpublicationsC23,300-552,030-Year國聯(lián)民生證券研究所布。(c)2014年至2024年材料科學中機器學習的發(fā)展趨勢。國聯(lián)民生證券行業(yè)研究|行業(yè)深度研究GUOLIANMINSHENGSECURITIES圖表10:小樣本學習方法及相關案例小樣本學習方法方法概述案例集成學習集成學習基于多個機器學習模型的組合，從統(tǒng)計、計算和表示等角度提升模型泛化能力，主要包括基于決策樹的bagging、boosting,以及stacking、voting等方法Mai等運用stacking方法構建集成模型，預測光催化劑的Eg值和水分解制氫反應(HER)活性。在預測Eg時，以RF、EXT等為基礎模型，SVR-RBF為元模型，構建的STRBG模型在訓練集和測試集上的R2分別達到0.98和0.95;預測HER活性時，以RF、EXT等為基礎模型，EXT為元模型，構建的STCH2模型在訓練集和測試集上的準確率分別為0.98和0.96,均優(yōu)于單個最佳模型遷移學習遷移學習通過將先前學習任務的知識轉移到新任務，提升模型在小數(shù)據(jù)集上的性能，減少對目標領域數(shù)據(jù)量的需求Liu等利用遷移學習，基于電子性質預測半導體的聲子性質。先在包含1245個半導體的電子Eg數(shù)據(jù)集上訓練多層感知器深度神經(jīng)網(wǎng)絡(DNN)模型，再將其參數(shù)(除輸出層)遷移到小的聲子Eg數(shù)據(jù)集構建遷移學習模型。結果顯示，與直接學習的DNN模型相比，遷移學習模型的MAE顯著降低，R2顯著提高。此外，該方法在預測聲子聲速和300K下的熱容時也表現(xiàn)出色主動學習主動學習是一種迭代交互訓練過程，通過不斷選擇最有價值的未標記數(shù)據(jù)樣本并標記，逐步提升模型性能Wen等結合主動學習策略與實驗，在Al-Co-Cr-Cu-Fe-Ni系統(tǒng)中搜索高硬度的高熵合金(HEAs)。他們收集155個已知硬度樣本構建初始模型，采用基于高效全局優(yōu)化(EGO)的期望改進(EI)策略，從大量虛擬樣本中選擇樣本。經(jīng)過7輪迭代，每次選擇3個候選合金進行制備和測量，最終獲得了硬度比原始訓練數(shù)據(jù)中最優(yōu)值高10%的合金無監(jiān)督學習旨在從未標記數(shù)據(jù)中識別模無監(jiān)督學習式和趨勢，適用于大規(guī)模數(shù)據(jù)集，常見方法有聚類和降維Zhang等運用無監(jiān)督學習的聚類方法，從ICSD數(shù)據(jù)庫中篩選含鋰化合物，以發(fā)現(xiàn)具有高室溫鋰離子電導率的材料。他們構建3種不同的聚類模型，其中一個模型包含少量ORT信息。訓練好的模型成功區(qū)分出固態(tài)鋰離子導體和其他材料，從模型聚類結果中挑選82種化合物進一步評估，最終發(fā)現(xiàn)16種ORT高于10??Scm1的新候選材料資料來源：《Machinelearningstrategiesforsmallsamplesizeinmaterialsscience》-QiulingTao等，國聯(lián)民生證券研究所小樣本強化學習(RL)可以用來設計和優(yōu)化超材料結構，從而提高材料的性能。通過創(chuàng)建虛擬實驗環(huán)境，RL可以在不實際制造材料的情況下測試和調整設計。它能夠在不同尺度(納米、微米、宏觀)上設計出具有特定功能的超材料，這些材料在實際使用中會改變形狀。比如，利用這種方法設計的納米結構硅陽極被應用于鋰離子電池(LIBs)。實驗驗證表明，這些新設計的硅陽極可以顯著提高電池性能，比當前的基于硅的電池提升近三倍，甚至比基于石墨的商用電池提高近十倍。這樣的RL優(yōu)化方法也可以用于設計其他具有特殊功能和可變結構的材料。行業(yè)研究|行業(yè)深度研究Wave資料來源：《ReinforcementLearning-basedDesignofShape-changingMetamaterials》-0liva等，國聯(lián)民生證券研究所性能，且能更深入地了解新化合物的反應機理和各種變量之間復雜的相互作用。當前利物浦大學和阿姆斯特丹大學的化學實驗室均推出了不同方向的高通量機器人用于化合物的合成和驗證，而高通量機器人的應用均能大幅提高研究進度并更好的利物浦大學AndrewCooper團隊通過編程驅動的兩臺人工智能移動機器人能夠為自主和協(xié)作地執(zhí)行和分析化學反應，目前可以執(zhí)行“進行反應、產品分析和數(shù)據(jù)驅動”的決策，能夠構建從合成到表征的無縫工作流程，以操作ChemspeedISynth合成模塊、超高效液相色譜-質譜儀(UPLC-MS)和臺式核磁共振(NMR)波譜儀，在近4天的實驗中兩臺移動智能機器人完成了多個化合物的多樣化嘗試且最終人工檢查數(shù)國聯(lián)民生證券行業(yè)研究|行業(yè)深度研究GUOLIANMINSHENGSECURITIES圖表12:近距離展示了單個光反應器小瓶從機器人底座轉移到光反應器塊的過程資料來源：《Autonomousmobilerobotsforexploratorysyntheticchemistry》-TianweiDai與此同時，阿姆斯特丹大學TimothyNoel團隊在2024年發(fā)布了自主化學合成機器行業(yè)研究|行業(yè)深度研究從而最大限度地提高產率、通量或兩者的組合。與此同時，采用化工合成機器人后不光能夠獲得“成功案例”的數(shù)據(jù)，同時也能獲得“負面”數(shù)據(jù)，RoboChem和類似的計算機化學在生成高質量數(shù)據(jù)方面的重要性，這將增強人工智能的未來應用。與專注于少數(shù)分子的傳統(tǒng)化學發(fā)現(xiàn)方法不同，RoboChem為每個分子提供了全面的數(shù)據(jù)集，從而可以更深入地了解所有相關參數(shù)。TimothyNoel團隊認為：RoboChem能夠執(zhí)行多種反應，且產生的廢物最少。它可以通常需要幾個月的時間。共振共振連續(xù)變量PCW產率通量●初始化●優(yōu)化9ioii21314is16171819定制的反應條件.可擴展的 AidanSlattery等，國聯(lián)民生證券研究所1.5產業(yè)知識圖譜構建化學研發(fā)中產生的大量數(shù)據(jù)(研究論文、專利、內部數(shù)據(jù)、實驗結果等)往往處于不同部門和系統(tǒng)中，彼此隔離。知識圖譜技術正在被應用于鏈接這些不同來源的數(shù)據(jù)；它將分子、材料、屬性、工藝等要素作為實體，并以關系連接它們，從而幫助Al快速檢索信息和發(fā)現(xiàn)潛在關聯(lián)。這不僅有助于知識發(fā)現(xiàn)，也能幫助研究人員更有效地基于已有成果繼續(xù)研發(fā)。行業(yè)研究|行業(yè)深度研究基于此，北京大學深圳研究生院新材料學院潘鋒教授課題組結合機器學習和依賴匹配算法發(fā)展了一套高精度且高效的同名消歧以及信息搜索的框架，在材料科學領域中建立了主體(作者)與客體(材料)之間的對應關系，構建了名為MatKG的材料知ML的分類和廣度優(yōu)先搜索。實驗顯示，MatKG在搜索速度和信息檢索質量上表現(xiàn)優(yōu)異。Chemical(Material)ChemicalCASformulaStructureLNORCIDSubjectAffiliationEmailRevisitingtheEvolutionofLiFePO?》-ZhiweiNie等，國聯(lián)民生證券研究所MatKG可以為不同領域的研究人員提供快速而客觀的學術界趨勢跟蹤，研究團隊以諾貝爾獎獲得者Goodenough教授鋰電池正極材料LiFeP0?為例，利用建立好的知識圖譜框架，對其進行自動化分析，關聯(lián)相關學者及其研究信息，建立用于鋰離子電池的LiFePO?的發(fā)展里程碑圖，發(fā)現(xiàn)其發(fā)展的重要歷程。在此基礎上，團隊進一步提出了一種可實現(xiàn)材料科學知識嵌入的語義表示框架，構建了鋰離子電池正極材料知識圖譜，并預測出潛在的正極材料Li?TiMn?0g。該材料與典型正極材料LiCoO?通過層狀結構這一明顯共同特征形成直接連接路徑，通過包含適合用于正極材料的可變價元素這一潛在共同特征形成間接連接路徑，從而根據(jù)直接及間接路徑實現(xiàn)了該潛在材料的發(fā)現(xiàn)。國聯(lián)GUOLIANMINSHENGSECURITIES圖表16:材料知識圖譜在鋰電池材料預測中的應用(以LiFeP0?的發(fā)展里程碑為例)19951998199519982001200420072010GoodenoughJBofLiFePO?DelmasCGoodenoughJBChiangYMHuangXJMorganDYamadaA資料來源：《ConstructionandApplicationofMaterialsKnowledgeGraphBasedonAuthorDisambiguation:LINi?ConOLiANI0L?CoPOFLiCoO?LFePO?L?TIMn?OLiMn,O?bLi?TiMn?O?LayeredstructureLiCoO?Variablevalencestates資料來源：北京大學官網(wǎng)，國聯(lián)民生證券研究所簡言之，產業(yè)知識圖譜的構建在化學材料研發(fā)中具有重要作用。通過整合多源信息，構建結構化的知識圖譜，研究人員能夠更高效地挖掘潛在的材料關聯(lián)，預測新材料的性能，加速材料研發(fā)進程。行業(yè)研究|行業(yè)深度研究2.高通量機器人+AI驅動的生產流程革命：成本與精度雙突破2.1AI優(yōu)化生產流程，降低成本與損耗Al可以對生產流程進行全方位的“管理”和優(yōu)化。比如原材料的成分、用量，生產設備的運行參數(shù)，環(huán)境溫度、濕度等，進而通過機器強化學習結合高通量機器人實驗，相比“人工試錯法”,找到生產過程中的最優(yōu)解，精確地控制生產過程中的各個參數(shù)的能力或呈指數(shù)級提升，生產過程的損耗也有望大幅降低的同時產品合格率也有望得到大幅提升。Al還可以實時監(jiān)測設備的狀態(tài)，提前發(fā)現(xiàn)潛在的故障隱患顯著降低化工設備的故障率和企業(yè)的事故率。圖表18:人工智能在制造生產過程中的運用OPERATIONSPLANNINGSupplyGenerativeChainDesignSecurityForecastingQualityProcessOptimizationAutomation資料來源：《Areviewofartificialintelligenceapplicationsinmanufacturingoperations》-S.JPlathottam等，國聯(lián)民生證券研究所2.2Al賦能制造環(huán)節(jié)，提升精度與效率人工智能能夠在制造生產過程中給予賦能，推進預測性維護、質量檢驗、供應鏈管理等各項環(huán)節(jié)中。比如預測設備故障的能力可以通過避免計劃外的中斷和停機來避免重大的材料和經(jīng)濟損失。供應鏈管理可用于促進和優(yōu)化供應鏈的應用程序，利用預測分析和實時數(shù)據(jù)分析來管理其庫存水平和生產計劃。行業(yè)研究|行業(yè)深度研究LGCNS利用AutoMLVisionEdge創(chuàng)建制造智能解決方案，可檢測裝配線上從LCD屏幕和光學薄膜到汽車面料等所有物品的缺陷。AutoMLVisionEdge將缺陷檢測準確率提高了6%,并將設計和訓練ML模型的時間從七天縮短到幾個小時。組成部分描述1深度學習深度學習對工業(yè)4.0至關重要，因為它實現(xiàn)了復雜的自動化、智能決策和高級數(shù)據(jù)分析。深度學習算法尤其擅長處理工業(yè)4.0中網(wǎng)絡設備和系統(tǒng)產生的大量復雜數(shù)據(jù)。各組織可以通過在工業(yè)4.0中利用深度學習來提高效率、生產力和創(chuàng)新能力。2網(wǎng)絡物理系統(tǒng)(CPS)通過融合物理世界和數(shù)字世界，網(wǎng)絡物理系統(tǒng)(CPS)創(chuàng)建了互連的系統(tǒng)，從而在工業(yè)4.0中實現(xiàn)無縫的通信、協(xié)調和控制。CPS實現(xiàn)了實時的數(shù)據(jù)交換和智能決策，它利用互聯(lián)網(wǎng)的力量并結合了傳感器3數(shù)字孿生工業(yè)4.0的一個關鍵概念是“數(shù)字孿生”,它意味著構建一個真實世界系統(tǒng)、流程或對象的虛擬副本或模擬。它可以實時監(jiān)控、分析和優(yōu)化物理資產，從而使組織有機會學習并獲得重要的經(jīng)驗和更好的表現(xiàn)。4智能傳感器通過在數(shù)字生態(tài)系統(tǒng)中實現(xiàn)實時數(shù)據(jù)收集、處理和通信，智能傳感器在工業(yè)4.0中發(fā)揮著關鍵作用。這些尖端的傳感器可以收集和發(fā)送來自物理世界的用戶數(shù)據(jù)，因為它們具有內置的智能、連接性和數(shù)據(jù)處理能力。5協(xié)作機器人協(xié)作機器人是工業(yè)4.0的關鍵，因為它們使人和機器人能夠一起工作，同時提高生產力、適應性和工人安全。協(xié)作機器人旨在與人類工人協(xié)作并共享工作空間和任務，而不是取代人類工人。為了與人進行最佳協(xié)作，它們配備了尖端的傳感器、人工智能算法和安全措施。資料來源：《DevelopmentofProductQualitywithEnhancedProductivityinIndustry4.0withAutomationandRoboticTechnology》-BechooLal等，國聯(lián)民生證券研究所與此同時，由于高通量機器人的推廣和開發(fā)，Al在制造業(yè)工藝設計中的運用有望進一步推廣，參考英偉達0mniverse和阿姆斯特丹大學的RoboChem對高通量機器人和數(shù)字化集成的運用，化工企業(yè)存在利用合成數(shù)據(jù)生成模擬及高強度試驗快速推進新壁壘翻越、縮短新化合物或新牌號產品研發(fā)時間和上市速度等。受到已知材料數(shù)量的根本限制，并且無法高效地引導尋找具有特定目標屬性的材料。泛化水平，應用于材料領域，可以使發(fā)現(xiàn)效率獲得非常明顯的提高。例如2023年11行業(yè)研究|行業(yè)深度研究預測，其中有38萬個穩(wěn)定的晶體結構，有望通過實驗合成。2025年1月，微軟團隊推出下一代生成式Al工具——MatterGen,可以“直接生成”所需特性的新型材料，大大提升了設計所需特性材料的速度。圖表20:科學方法的進展ObservationsExperimentationPhysics,biology,chemistry,etcMoleculardynamicsMechanisticmodelsPatterns,anomaliesVisualization2000sAcceleratedReportAsesScientificknowledgeatscaleAIgeneratedhypothesesAutonomoustesting2020s資料來源：《Acceleratingmaterialsdiscoveryusingartificialintelligence,highperformancecomputingandrobotics》-Edward0.Pyzer-Knapp等，國聯(lián)民生證券研究所3.1通過深度學習發(fā)現(xiàn)新材料2023年11月，谷歌DeepMind推出了材料探索圖形網(wǎng)絡(GNoME),通過預測新材料的型，使用兩個管道來發(fā)現(xiàn)低能(穩(wěn)定)材料。結構管道創(chuàng)建結構與已知晶體相似的候選材料，而成分管道則采用基于化學式的更隨機的方法。研究團隊使用已建立的密度泛函理論計算對這兩個管道的輸出進行評估，并將這些結果添加到GNoME數(shù)據(jù)庫中，為下一輪主動學習提供信息。行業(yè)研究|行業(yè)深度研究圖表21:GNoME利用圖形網(wǎng)絡進行材料探索Structuralpipeline→StabilityCandidatesGraphEnergymodelsDFT2.2MilionstableCompositionalpipelineEQ\*jc3\*hps35\o\al(\s\up5(G),Da)EQ\*jc3\*hps35\o\al(\s\up5(No),tab)EQ\*jc3\*hps35\o\al(\s\up5(M),a)EQ\*jc3\*hps35\o\al(\s\up5(E),se)Interatomicpotentials@GNN@CandidatesGraphRandomStructureSearchGraphRepeatforroundsofactivelearning資料來源：谷歌DeepMind,國聯(lián)民生證券研究所過去幾十年來，科學家通過實驗方法在無機晶體結構數(shù)據(jù)庫(ICSD)中記錄了20000種計算穩(wěn)定的結構。隨著技術發(fā)展，人們通過引入Al技術發(fā)現(xiàn)了28000種新材料，但Al在準確預測實驗可行性和預測規(guī)模上遇到一定瓶頸。當前，GNoME模型通過迭代，已發(fā)現(xiàn)超過220萬種新型結構，通過穩(wěn)定性競爭篩選后新增380,000個條目，使總穩(wěn)定晶體數(shù)達到421,000個，這標志著材料發(fā)現(xiàn)規(guī)模較歷史研究成果實現(xiàn)了數(shù)量級突破。圖表22:GNoME使材料發(fā)現(xiàn)實現(xiàn)數(shù)量級突破GNoME421,000ComputationalmethodsHumanexperimentation20,000行業(yè)研究|行業(yè)深度研究2025年1月，微軟研究院科學智能中心的研究員們提出了一個從不同角度解決材料發(fā)現(xiàn)問題的生成式Al工具MatterGen。不同于篩選候選材料，MatterGen直接根據(jù)以及滿足不同約束條件的材料。MatterGen開啟了一種基于生成式Al輔助材料設計的新范式，能夠高效探索材料，進而超越已知的材料范圍。圖表23:材料設計篩選方法和生成方法示意圖??資料來源：微軟，國聯(lián)民生證券研究所MatterGen是一個基于材料三維幾何結構的擴散模型，可以通過調整隨機結構中的元素、位置和周期性晶格來生成所需的材料結構。此外，MatterGen還據(jù)集進行微調，在給定任何所需條件的情況下生成新材料。GUOLIANMINSHENGSECURITIES行業(yè)研究|行業(yè)深度研究CorruptionCorruption(noising)processStablematerialGeneration(denoising)processChemistryLi-Co-OSymmetryP6?/mmcPropertym=0.15A-3田④田RandommaterialLiCoO?資料來源：微軟，國聯(lián)民生證券研究所MatterGen相對于篩選方法的主要優(yōu)勢，在于其能夠訪問未知材料的完整空間。例如MatterGen在生成難以被壓縮的具有較高體積模量(如大于400GPa)的新候選材料方面表現(xiàn)優(yōu)異。相比之下，篩選基準方法受限于已知材料而趨于飽和。GUOLIANMINSHENGSECURITIES圖表25:MatterGen明顯優(yōu)于傳統(tǒng)篩選方法00oMatterGen2-NumberofDFTpropertycalculations資料來源：微軟，國聯(lián)民生證券研究所3.3Al+機器人結合開發(fā)自動實驗室系統(tǒng)2023年11月，美國加州大學伯克利分校團隊開發(fā)了一種自動實驗室(A-Lab)系統(tǒng)。這種A-Lab根據(jù)現(xiàn)存科學文獻訓練，隨后結合主動學習，可對擬定化合物創(chuàng)造最多5個初始合成配方。隨后它可以用機器臂執(zhí)行實驗，合成粉末形態(tài)的化合物。如果一個配方產量低于50%,A-Lab會調整配方繼續(xù)實驗，在成功達到目標或窮盡所有可能配方后結束。圖表26:圖表26:Al指導機器人制造新材料ComputationsTextminingMaterialsProjectDeepMind2Air-stable□O口PowderdosingStructuredatabasesTargetProductsOrefinementRecipeoptimization_Targets□000000000照CharacterizationdiffractionpattenPhaseidentificationRoboticsynthesisIntermediatesQPrecursors600℃資料來源：《Anautonomouslaboratoryfortheacceleratedsynthesisofnovelmaterials》-NathanJ.Szymanski等，國聯(lián)民生證券研究所在連續(xù)17天的運行中，A-Lab成功合成58種目標材料中的41種，涵蓋33種化學元素及41類晶體結構原型。相比之下，人類研究員需要花費數(shù)月去猜測和實驗。憑借行業(yè)研究|行業(yè)深度研究其驗證預測材料的高成功率，其驗證預測材料的高成功率，A-Lab充分展現(xiàn)了第一性原理計算、機器學習算法、歷史知識積淀與自動化實驗技術在材料科學研究中的協(xié)同效應。而Deepseek強大的推理能力或將進一步賦予自動實驗室系統(tǒng)能力躍遷。圖表27:A-Lab合成成功率可超7成SuccessFailedActivelearning-10°recipes41/58recipes41/58targets資料來源：《Anautonomouslaboratoryfortheacceleratedsynthesisofnovelmaterials》-NathanJ.Szymanski等，國聯(lián)民生證券研究所3.4AI驅動的材料創(chuàng)新正在打破傳統(tǒng)技術壁壘傳統(tǒng)的材料研究方法主要依賴經(jīng)驗和反復試驗，通常需要進行多層級的正交實驗來驗證材料性能，耗費大量時間和人力成本。而Al通過數(shù)據(jù)驅動和算法優(yōu)化，實現(xiàn)了從問題識別、數(shù)據(jù)處理、模型訓練到性能預測的高效流程。在Al模型的支持下，可以對材料組分空間進行全局求解，篩選出最佳的材料候選，最終通過現(xiàn)實實驗驗證，顯著減少了實驗次數(shù)。Al的引入使材料研發(fā)更為科學、系統(tǒng)，為綠色材料的可持續(xù)開發(fā)開辟了新路徑。行業(yè)研究|行業(yè)深度研究圖表28:技術驅動加速發(fā)現(xiàn)周期Extraction,integrationExtraction,integrationandreasoningwithknowledgeatscaleToolshelpidentifynewquestionsbasedonandgapsinknowledgeMachinerepresentationofkSudyneedsOuestonRepotGenerativemodelsautomaticallyproposenewhypothesesthatexpandthediscoveryspaceRoboticlabsautomateexbridgedigitalmodelsandphysicaltestingPatternandanomalydetectionisintegratedwithsimulationandexperimentationtoextractnewinsightsAcceleratedScientificMethodTestAssess資料來源：《Acceleratingmaterialsdiscoveryusingartificialintelligence,highperformancecomputingandrobotics》-Edward0.Pyzer-Knapp等，國聯(lián)民生證券研究所Al驅動的材料創(chuàng)新正在打破傳統(tǒng)技術壁壘。在Al+機器人時代，材料創(chuàng)新領域的發(fā)現(xiàn)、設計、驗證等流程經(jīng)歷重構，核心競爭力轉變?yōu)楦哔|量數(shù)據(jù)集、優(yōu)質算法、自動化驗證等方向。Al模型的成功高度依賴高質量的數(shù)據(jù)集，這對于多來源數(shù)據(jù)收集、數(shù)據(jù)清洗、歸一化處理等提出了更高要求，在優(yōu)質材料數(shù)據(jù)集相對稀缺的情況下，研究團隊往往需要使用模擬數(shù)據(jù)進行填充。而在模型選擇過程中，研究團隊需要依據(jù)數(shù)據(jù)集的規(guī)模、標注情況以及任務復雜性來決定使用何種算法。在完成AI模型訓練后，還需通過實際實驗驗證，自動化驗證能夠大大提升效率?！鞍装V指數(shù)”越高的化工材料面臨Al+機器人的沖擊或越嚴峻。產