Deep Learning
+ First Principle
传统材料化学研发仍处在经验驱动、实验主导的初级阶段
01
周期长
1天只能做1-2次分析实验，从实验室合成到规模化生产平均需要10年
02
成本高
1个新材料的实验室级合成成功需要花费200-2000万美元不等
03
成功率低
55%的实验数据是非结构化和难以解释的
50%的研究者难以复刻自己的实验结果
70%的研究者难以复刻他人的实验结果
第五范式诞生
材料研发的ECML体系
「深度原理 Deep Principle」率先提出了ECML体系的构想，旨在通过AI决策框架统一规划调度实验(Experiment)、计算 (Compute)、机器学习(Machine Learning)三大齿轮，平衡各齿轮的优点，规避单独或部分使用带来的缺陷，推动材料研发完成从“实验试错”为核心，到以“AI模型预测-计算支撑-实验验证”为核心的第五范式变迁。
如上图所示，在主流的研发范式中，有这么三个齿轮，在分别推动着科学发现：
大齿轮：湿实验
数秒 | 数百元
有着最接近真实情况的精准度，却运转的最慢，往往需要花费数月甚至是数年的时间才能完成材料合成、性能测试和结构表征等一系列实验，实现材料研发验证闭环，这也带来了数百万甚至是数千万的高昂研发成本。
Accuracy
中齿轮：高通量计算
数天~数周 | 数十万元
有较快的运转速度和较高的准确率，包括多种分层级模拟方法：DFT计算（电子尺度揭示反应机理）、分子动力学MD（纳秒级原子分子运动模拟）、动力学蒙特卡洛KMC（长程扩散过程预测），通常需要数天或数周的时间，成本约在十万量级，但受限于计算精度与时空尺度的相互制约。
Accuracy
小齿轮：机器学习
数月~数年 | 数百万~数千万元
运用分子指纹（高维特征空间中的材料分类）、机器学习力场MLFF（替代DFT实现纳秒级分子动力学）、图神经网络GNN（构建微观-宏观间的构效关系）、生成式AI（基于扩散模型直接生成分子结构和化学反应）等技术，可在秒级完成性能预测与结构生成，但受限于材料数据稀缺导致的模型泛化能力瓶颈。
AI决策
研发时间
经费投入
结果精准度
