用AI加速發現高效催化材料,「深度原理科技」獲近千萬美元種子輪融資 | 36氪首發

2024-06-05     36氪

文 | 陳斯達

編輯 | 鄧詠儀

從家庭常備的日化用品,到使用能源的高效催化,生活生產的方方面面離不開新興材料。當傳統「大海撈針」式的試錯法,已然難以滿足如今新材料研發的需求,這波大模型浪潮催生的人工智慧熱,卻讓「AI鍊金術」漸漸接近現實。

36氪獲悉,深度原理科技(Deep Principle)近期宣布完成 近千萬美元種子輪融資,該輪投資由線性資本領投,真知創投和 Taihill Venture 跟投。晶泰科技與深勢科技作為科技產業方參與本輪投資。

深度原理科技於2024年創立,專注於人工智慧驅動化學領域的科學研究。公司希望將人工智慧、量子化學(Quantum Chemistry)和高通量實驗(HTE)技術應用於化學材料領域,讓材料創新的工作流程得以改善,加速化學材料研發創新效率。

公司創始成員均畢業於MIT,均具有大規模平台搭建和產業內研發經驗。創始人兼CEO賈皓鈞獲MIT物理化學博士學位,曾於陶氏化學核心研發部門進行研發工作,專注於使用人工智慧來研發催化劑配方及預測化學反應的路徑,之前擔任過麻省理工學院中國學生學者聯合會(MIT CSSA)2022-2023 主席;創始人兼CTO段辰儒獲MIT物理化學博士學位,在微軟做研究科學家期間,為多家化學材料公司部署計算化學和人工智慧解決方案。

段辰儒(左)和賈皓鈞(右)

無論是微軟、谷歌、位元組這樣的科技大廠,還是巴斯夫、陶氏這樣的傳統化學材料製造巨頭,都在大力投入人工智慧驅動的科學研究(AI for Science,簡稱AI4S)。總的來看,大廠更多基於算力和雲服務,將 AI4S 中相對成熟的方法平台化、產品化;而另一邊的化工巨頭,自身也在投入研發,用 AI 優化工業生產技術。

基於此前美國工業界及科技巨頭的研發經驗,團隊看到「全世界最好的材料化學生產基地在東南亞和中國。」賈皓鈞表示,在美國去工業化的背景下,材料化學領域的中國企業,正積極從生產轉向研發,故AI4S在中國的落地機遇更為豐富。

而段辰儒基於此前創建和維護AI4S科學社區的經驗發現,受制於傳統實驗室慣性和化學材料問題的複雜多樣性,平台產品的使用壁壘難以消除,相應的維護優化也會帶來不少工程成本。

因此,深度原理科技希望解決的問題在於,與客戶合作研發終端垂類應用產品,加速化學、材料領域的創新研究效率。「相比起平台產品,這更易於普及AI帶來的高效研究方法,為未來培育更大市場。」賈皓鈞表示。

技術路徑上,深度原理科技聚焦四大核心算法模塊。一是基於生成式模型,大規模主動生成目標化學材料和反應。二是基於推薦算法的模塊,以低成本得到高精度的計算結果。三是通過控制模型,對當今的化學計算、化學反應實驗直接降本增效。四是結合主動學習和貝葉斯工作流程,鎖定目標催化材料。

團隊所選技術路徑,與創始團隊的豐富原創科研成果密不可分。在 Nature 大子刊等頂級期刊以及 NeurIPS 等頂級會議上,兩位創始人合計發表超過 60 篇論文,並首創多個AI for Chemistry 模型。目前,還有專利處於申請流程。

團隊的其中一項關鍵工作,就是推出了基於生成式AI技術的擴散模型 OA-ReactDiff。

一個化學反應像是「魔術」,反應物眨眼間變成生成物,但要拆穿「魔術手法」,必須定睛看清眨眼過程時的「過渡態」——即對比出反應前後原子在3D空間中的位置關係。「過渡態」對於理解化學反應十分關鍵,它蘊含化學反應的機理,能被用以估算反應速率和能量,甚至指導高效催化劑等新型材料的設計。

以前用傳統化學計算方法(即密度泛函理論(DFT))發現過渡態,需要數小時甚至數天。不但價格不菲,且常常「翻車」算錯。

相比DFT,擴散生成模型 OA-ReactDiff讓計算速度提升1000倍,只要數秒就能生成過渡態結構。結果保留了化學反應要求的所有物理對稱性,準確性也超過之前一系列AI模型。

這項成果已在 Nature 大子刊 Nature Computational Science 上發表,並被選為封面論文。

圖源:公司提供

圖源:公司提供

相比直接實驗,基於計算篩選出有前景、有潛力的材料分子,無疑能大大節省實驗人員的精力及成本。

但算出材料性質只是一方面,有時候涉及的計算方法不只一種,如何找到最合適的那種?算出很多個近似結果,又怎麼找到最準確的那個?AI決策算法的引入,便意在解決這些問題。

此前,科學家們開發了密度泛函理論(DFT),把求解薛丁格方程十年的工作量縮短至幾個小時,準確率高達99%。可是,如果不解決最後的1%甚至0.1%的計算誤差,要研發出新的催化劑就無從談起。只有走最貼合材料本身的近似方法,選擇最合適的密度泛函,誤差才能降到最低。

連分子本身性質都不知道,又如何得知它「喜歡」哪種密度泛函?

段辰儒想到,用戶喜歡看什麼,抖音總能推什麼。而這推薦功能背後的匹配算法,就能幫助分子找到最合適的密度泛函。受此啟發,團隊將 AI 決策模型融合進計算流程,搭建「密度泛函推薦器」匹配「化學材料—計算方法」,首次實現將金屬有機配合物的高通量計算的準確度,逼近實驗測量的誤差精度。

不同密度泛函計算誤差在15 kcal/mol左右,但新方法將這一誤差降到2.1 kcal/mol,邁入實驗測量均方差的3 kcal/mol 誤差——也就是說,算出來的和實驗測量的,不可區分。

從更大視角上看, AI4S若能在化學材料領域實現規模化、產業化,不僅能推動高效、低成本的高效能催化材料研發,還能大大提升能源使用效率,加快溫室氣體轉化,順應當下碳中和趨勢。

「 90% 以上的工業產品都需要催化材料參與,35%的全球 GDP 都與催化反應有關。」賈皓鈞介紹。

賈皓鈞指出,「雙碳」背景下,提升能源利用效率是實現碳中和的關鍵。例如,僅合成氨的生產每年就消耗全球 1%至2% 的能源,同時貢獻了3%的碳排。「通過催化劑的改進,即使只提升(合成氨)1% 的轉化效率,就能產生數十億美元的經濟效益,降本增效的同時減少碳排放。」

「通過AI4S的方法將合成氨效率提高5%,就是我心中獨屬於化學材料領域的 ChatGPT 時刻。」段辰儒認為,通過AI4S的方法,未來一定能實現更多化學材料的落地。

目前,深度原理團隊仍處於產品早期研發階段。團隊計劃先從化學材料切入市場,以 AI+CRO(通過合同形式為研發過程提供專業化服務)為早期合作模式,先主要向客戶交付早期實驗結果及計算結果。此後,團隊或將建設內部管線(材料研發從設計、試驗到最終落地的過程)。

本輪融資後,資金將主要用於研發投入、團隊招募及市場拓展。晶泰科技、深勢科技提供的數據、算力及其他AI基礎設施,將有效協助深度原理科技的研發工作。

線性資本合伙人曾穎哲表示:「一個基礎化學反應由反應物、過渡態、生成物三者構成,其中過渡態對於理解化學反應機理尤為重要。深度原理科技團隊將最新的生成式模型和密度泛函理論相結合,革命性地提升了對於過渡態計算的速度和精度,在全球範圍內都處於領先位置。我們期待團隊未來能解決催化劑發現靠化學直覺盲目摸索的行業痛點問題,通過計算指導實驗,引領整個化學研發的範式的疊代。我們也非常高興參與到這個激動人心的變革中,期待與公司一起,共同見證和開拓人類探索化學反應的新邊界。」

文章來源: https://twgreatdaily.com/5f10518436113a348c1a0537747698e3.html