全球挑战,如清洁能源的未来或循环经济,增加了对新材料的需求。通常情况下,材料的性能取决于大量的参数,这使得传统的研究方法,仅仅依靠实验,速度慢,效率低,而且昂贵得令人望而却步。数据驱动方法可以显著加快发现过程,缩短从想法到市场的时间。
在本次演示中,我们将演示如何将Schrödinger的机器学习技术与基于物理的建模相集成,以预测新材料的性能。来自重要材料科学领域(如聚合物和光电材料)的用例说明了如何使用实验生成的数据以及基于物理的建模来构建机器学习模型,以预测物理性质,甚至建议新的化合物。最后,我们演示了如何将机器学习方法集成到协作设计方案中,从而最大限度地提高非专家用户的可用性和可访问性。
在本次网络研讨会上,您将:
- 了解Schrödinger的机器学习技术与基于物理的建模的集成,可用于预测新材料的特性
- 聆听材料科学领域的用例,以及生成的数据如何用于构建机器学习模型
- 了解如何将机器学习方法集成到协同设计方案中,以最大化其可用性和可访问性
演讲者:Laura Scarbath-Evers, Schrödinger的高级科学家
薛定谔是为材料科学研究领域的客户提供先进分子模拟和企业软件解决方案和服务的领先提供商。Schrödinger还与石化、半导体、航空航天和特种化学品等领域的公司建立了深入的合作伙伴关系。Schrödinger成立于1990年,在美国、欧洲、日本和印度拥有近500名员工,在中国和韩国也有业务合作伙伴。