我自己從事的是材料領域。目前全球正在推進AI在材料領域的套用。
首先材料的開發分為如下階段:發現、開發、最佳化、小試/中試、量產。
1 材料發現。其中開發階段主要是新材料的發現，傳統的材料發現是炒菜式試錯發現方式，基於試錯和研發人員進行試錯發現，但是效率低，時間周期長。隨著電腦技術的發展以及AI技術的發展，加之全球在推動材料基因組計劃，產生了大量的材料數據和材料資料庫。因此AI就可以在材料專家的使用下，用於新材料的發現。我們稱之為材料基因組，相關的研究材料的方式也叫作材料資訊學(material informatics)。當然這裏需要強調的是，mgi(材料基因組計劃)是借鑒的生物基因組或者化學資訊學的技術路線。因為在生物醫藥、計量化學等領域很久之前就把AI套用到分子材料的發現和醫藥的研究中了，主要是研究定量構效關系，即qsar。舉個簡單的例子，AI可以用於發現新材料。傳統的熱電材料發現都集中在元素周期表的六主族附近，但結合AI，你就會發現在二主族附近也有類似的材料。即AI可以實作如下套用:發現新材料，發現已知材料的位置效能。
2 材料開發。材料開發講之前需要明確，材料按照大類分為功能材料和結構材料。功能材料以半導體材料為例，結構材料以鋼鐵為例。功能材料是由元素、官能團或者結構確定其功能。而結構材料卻不僅僅是上述決定因素，需要考慮到對應的工藝參數。那麽在材料開發，即效能預測、成分設計方面，AI可以加速材料的設計或者說基於數據驅動輔助材料設計。比如在鋰電添加劑中可以透過machine learning來擬合一些計算材料學數據供DFT軟體計算。
3 中試與小試。結合AI可以在數據量較少的情況下去做資料探勘，實作描述，診斷，預測等功能。同時AI可以與試驗設計(DOE)結合加速doe的設計，減少實驗次數，降低成本。
4 量產階段。這個時候就是品質管理，失效分析，能耗管理，排程最佳化，先進過程控制等等，這個可以詳細參考工業大數據白皮書，裏面有詳細的介紹。
5 其余和專業工業軟體的融合，比如AI和eda融合，AI和fem融合，AI與cfd融合。
各種例子數不勝數
