MLMD — это программная платформа на базе методов машинного обучения и искусственного интеллекта, предназначенная для проектирования и открытия новых материалов без необходимости программирования со стороны пользователя. Платформа объединяет модели предсказания свойств материалов, алгоритмы оптимизации на основе суррогатных моделей и стратегии активного обучения, что позволяет эффективно исследовать большую область возможных химических и структурных конфигураций при ограниченном объёме экспериментальных данных.
Источники конкретных сведений о названии «MLMD» могут быть ограничены или разниться по описанию, поэтому в тексте кратко указывается общий набор возможностей, характерных для такого класса продуктов. Платформы подобного типа обычно нацелены на ускорение цикла «идеи — вычисление — эксперимент» в материаловедении, предоставляя инструменты для создания и дообучения предиктивных моделей, автоматического выбора кандидатов для синтеза и валидации, а также для управления наборами данных и экспериментальными результатами.
- Интерфейс без кода: визуальные конструкторы рабочих процессов, готовые блоки для подготовки данных, обучения моделей и оценки кандидатов.
- Инференс моделей: использование предварительно обученных и пользовательских моделей для предсказания физико‑химических свойств материалов.
- Суррогатная оптимизация: байесовские и другие методы оптимизации, позволяющие находить лучшие кандидаты при дорогих или медленных экспериментах.
- Активное обучение: стратегии отбора наиболее информативных образцов для последующего экспериментального или вычислительного уточнения моделей.
- Работа с малыми данными: методы регуляризации, переносного обучения и ансамблей для повышения стабильности предсказаний при ограниченных наборах измерений.
- Управление экспериментами: механизмы трекинга данных, метаданных и результатов валидации для воспроизводимости и анализа.
- Интеграция рабочих процессов: совместимость с вычислительными пакетами и лабораторными системами для автоматизации расчётов и потока данных.
- Оценка неопределённости: методы количественной оценки доверия предсказаний и риска при выборе кандидатов.