国联民生证券证券研究报告GUOLIAN MINSHENG SECURITIES行业研究行业深度研究石油石化Deepseek+机器人：化工的时代大考请务必阅读报寺末页的重要声明2025年02月14日国联民生证券证券研究报告GUOLIAN MINSHENG SECURITIES+机器人正深刻变革化工行业，有望带来效率革命。传统化工研发依赖“试错法”，周期长，成本高，而！与机器人技术融合后，从分子模拟到村料基因组学的全链条效率将被重新定义既能降低传统材料成本，又能缩短新村料研发周期。面对化工新村料研发的“多尺度复杂性”与“实脸脸证滞后”痛点，A!通过跨尺度建模、分子动力学加速等方案实现突破。在生产流程中，A!结合高通量机器人实脸优化生产，降低损耗与故降率。但A!也在瓦解传统技术壁垒，“白痴指数”高的村料受冲击大。化工企业需加强1研发、引进人才、推动数字化转型以应对挑战，把握发展机遇。|分析师及联系人张玮航SAC:S0590524060003SAC:S0590524090003SAC:S0590524080002SAC:S0590522090001请务必阅读报寺末页的重要声明1/29国联民生证券行业研究引行业深度研究GUOLIAN MINSHENG SECURITIES2025年02月14日石油石化Deepseek+机器人：化工的时代大考A+机器人重构化工研发范式：从实验室到工业化的效率革命强于大市（维持）其是类似Deepseek这样的顶尖A工具的广泛应用，或驱动化工行业的研发和生上次建议：法，周期长、链条效车被重新定义，不但可能大幅降低传镜材料的生产成本，色很可能使得新材料研发相对大盘走势随时而挑石油石化沪深300新材料预测的挑战与A|的破局方案：数据+算法的双重赋能30%17%性上相较于传统方法显示出显著优势，10%幅速分子动力学的研宽例如AI BMD系统在精度相同的情况下，实现了超过100万倍的2024/22024/62024/102025/2小样本化学习：有限的实验次数原材料等条件下，A通过机器强化学习以及推理使得能够在少量实验数据的基础速Wen等在AI-Co-Cr-C-Fe-Ni相关报告高硬度的HEAs时，仅用155个初始样本，经7轮学习就获得了硬度提升显著的1、《石油石化：对美关税反制如何影响能化？》2025.02.05可能常要研究人员手动对每个化合物进行测试，这不仅耗时耗力，而且可能会因为人为2、《石油石化：2025：大化工大有可为而高通量筛选技术可以在短时问内对大量化合物进行自动测试，例如种智能机器学习单元的机器人Roboche一周内大化工行业2025年度投资策略》2024.12.18Chem以优化大釣10到20个分子的合成，而对于研究人员手动来说，这通常需要几企业数据库等多个数据源中抓取相关的化工下可以识别出数据中的错误、常值至通过拉理发现数之问的逻辑高通量机器驱动的生产流程革命：成本与精度双突破可以对生产流程进行全方位的“管理”和优化。比如原树料的成分、用量，生产设备的运参法进而通过机器化学习结合高通量机器相比“过程中的优解，精确地控制生产过程中的各个参数的能力或呈指数概提过程的损托色有望大福低的同时产品合格率有望得到大幅提升。A还可以实CNSVision配线上从光学薄膜到汽车而料等所有物品的块格。AutoML Vision Edge将块格检测准确率提高并将设计和训练M模型的时问从七天馏短到几个小时。驱动的材新正在打破传统技术壁垒原即为马斯克提出的指数で+机白痴指数意味着其生产过程有很大的优化空问，A技术更容易在这些材料的研而对于如部生产过程简单受到A冲击或相对较轻。数量概：美国加州大学伯克利分校团队利用自动实验室系で17天内成功化工企业的时代大如何应对A|+机器人大时代？持续发展。在未来的化工行业竞争中，只有积板拥抱变苹，勇于创新的企业才能立于不数之地投资建议：描捉A+机器人时代的化工投资机遇扫码查看更多板苏建A!研发团队、授入大量资源探索A|与化工融合路径的企业：二是已经将AI+机器人应用于生产，实现成本显著降低、产能明显提什的企业。风位提示：技术发展不及预期：数据风险共享偏差：市场竞争加刷：政策不确定性。请务必阅读报寺末页的重要声明2/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES正文目录51.1跨尺度建模误差控制…61.2分子动力学加速101.3小样本强化学习111.4高通量机器人验证：大幅提升新产品的研发速度.…141.5162.高通量机器人+驱动的生产流程革命：成本与精度双突破192.1193.A驱动的材料创新正在打破传统技术壁垒.203.1通过深度学习发现新材料…213.2根据应用需求直接生成新材料…23.3A+机器人结合开发自动实验室系统…3.4驱动的材料创新正在打玻传统技术壁垒…264.投资建议：捕捉A+机器人时代的化工投资机遥.28图表目录66图表3：基于机器学习的跨尺度技术：分子动力学与有限元(FEM)的耦合..7图表5：石墨烯薄片分析动力学仿真的研究示意图....图表7：ML-AIMD方法流程示意图0图表9：材料科学中机器学习的发展趋势和小数据集...1213图表11：基于L的拓扑优化可以根据特定应用需求预测改进的超材料设计.，14图表12：近距离展示了单个光反应器小瓶从机器人底座转移到光反应器块的过程15图表13：近距离展示了NWR样品架从Chemspeed转移到台式NWR的过程..15图表14：RoboChem试验流程.…16图表15：材料知识图谱的架构.…图表16：材料知识图谱在锂电池材料预测中的应用（以LiFP04的发展里程碑为例）图表17：材料知识图谱用于键电池正极材料的发现..。18图表18：人工智能在制造生产过程中的运用。…19图表19：A|在工业中的各类运用……20图表20：科学方法的进展...21请务必阅读报寺末页的重要声明3/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES图表21：GNoME利用图形网络进行材料探索.22图表22：GNoME使材料发现实现数量级突破.·22图表23：材料设计筛选方法和生成方法示意图。23图表24：MatterGen可根据不同设计要求对模型进行微调.....24图表25：MatterGen明显优于传统筛选方法..…25图表27：A-Lb合成成功率可超7成.....2627请务必阅读报寺末页的重要声明4/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES1.新材料预测的挑战与A!的破局方案：数据+算法的双重赋能化工新材料研发面临“多尺度复杂性”与“实验验证滞后”两大痛点：多尺度复杂性：材料的特性往往源于跨多个尺度的相互作用一从电子在量子层面的行为到我们在宏观层面观察到的性质（例如强度、电导率）。准确建模这些相互作用在计算上十分困难。材料在宏观层面所表现出的特性（如在应力下的弯曲程度）是其微观结构（原子排列、键合方式），甚至更细致的亚微观特征（电子分布）共同作用的浦现性质。要正确捕捉各个尺度之间的相互影响，以及它们如何在整体上决定最终材料性能，仍然是巨大的难题。传统方法往往将不同尺度割裂开来进行处理，容易导致误差或不精确。实验验证清后：在过去，一种新材料从理论上提出（通常基于理论计算）到实际合成并进行测试，需要耗费很长的周期。这是一个反复迭代的过程，合成本身可能十分困难，需要特定的设备与专业技能：材料特性表征（测量材料性能）也需要多种手段，每一种都需要时间和资源。如果发现材料的实际性能达不到预期，就必须重新开始新一轮设计与试验，导致周期冗长、成本高企。通过以类似Deepseek这类顶尖人工智能(AI)技术与机器人技术相结合，正在从根本上改变传统的化学研发流程。这场变革贯穿整个研发管线一从小规模实验室中最初的假设生成与分子设计，到工业规模生产中的工艺优化和质量控制。关键在于通过数据驱动洞察与自动化实验及制造的协同整合，实现研发效率与成果的飞跃。请务必阅读报寺末页的重要声明5/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES1提报告资料来源：《An autonomous I aboratory for the accelerated synthesis of novel materials》Na than.Szymanski等，《Accelerating materials discovery using artificialcomputing and robotics》-E0 Pyzer-Knapp等，国联氏生证泰研究所两大痛点优化痛点autonomous I aboratory for the accelerated synthesis of novel materials)-Nathan J.Szymanski,Accelerating materials discovery using artificial intelligence,high performance1.1跨尺度建模误差控制在微观层面，原子间相互作用力的计算存在误差：介观层面，材料中细微的孔洞结构变化或材料密度改变，均会对材料强度产生显著影响：宏观层面，实验室小规模试验成功但大规模生产失败的风险，与跨尺度误差的累积紧密相关。当前工业应用中，大多采用现象学建模。该建模方式主要基于对现象的直接观察与描请务必阅读报寺末页的重要声明6/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES迷构建模型，并不深入探究现象背后的微观机制或基本原理，重点在于捕捉、解释可观测的现象、行为及关系，通过归纳、抽象等方法，将所观察到的现象特征和规律以数学、逻辑等语言表达出来。采用机器学习(L)建模，有望提供一种隐含的跨尺度技术。相较于传统现象学建模方法，该技术在运算速度上具有显著优势。在由分子动力学仿真枸建的数据库上对神经网络进行训练，具体可参照图表3。通过训练神经网络，能够生成一个机器学习模型，该模型可取代传统计算方式，用于推导本构关系。需注意的是，这些本构关系源于原子尺度，而原子尺度包含的信息远多于宏观尺度。在训练完成的神经网络中，宏观尺度的问题可直接求解。这可通过有限元法(FEM)求解实现，即把预测的宏观尺度变形输入神经网络，进而评估本构关系，具体过程如图表3b所示。这种方法能够实现不同尺度间的平滑过渡，原子级别的计算巧妙地嵌入机器学习模型中，为解决跨尺度问题提供了一种高效且新颖的思路。(a)MD(b)FE modelsimulationsDataset资料来源：《A State-of-the-Art Review on Machine Learning-Based MultiscaleSimulation,Homogenization and Design of Materials》-Dana Bishara等，国联民生证泰研究所同时，运用跨尺度有限元模型，能够追踪给定晶体中所有在几何上可被接受的缺陷运动情况。这些跨尺度模型会假定在材料内部特定区域，综合考量原子尺度的位置和更高尺度之间的关联，以此来推导出本构关系。图表4展示的是特殊有限元结构，它能够检测出可接受度较高的位错区域，该有限元模型基于原子尺度推导出的本构定律来应用。与传统分子动力学方法相比，有限元法在时间耗费上展现出明显优势。而且，本构关系可以借助神经网络来替代传统推导方式，从而达成跨尺度的过渡。请务必阅读报寺末页的重要声明7/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES(b)资料来薄：《A State-of-the-Art Review on Machine Learning-Based Multiscale Model ing,Simulation,Homogenization and Design of Materials》-Dana Bishara等，国联氏生证泰研究所目前，科研人员成功开发出一个具有开创性的机器学习模型，用于预测石墨烯中的缺陷。这项研究的核心目的是借助石墨烯薄片的热振动拓扑，来预测缺陷所处位置。研究人员通过对石墨烯薄片进行分子动力学仿真，发现了任意分布的空位，同时计算出了每个原子的振动能量。该研究取得了突破性进展，提出了两种预测策略：一种是基于原子层面，通过原子索引来构建数据：另一种是基于域的层面，通过域离散化来构建数据。从原子尺度过渡到包含多个原子的域尺度，在捕捉薄片中的多个空位时，展现出了极高的准确性。需要着重指出的是，在这项研究工作中，采用分子动力学仿真来计算振动能量，运用机器学习进行跨尺度建模。请务必阅读报寺末页的重要声明8/29国联民生证券行业研究行业深度研究GUOLIAN MINSHENG SECURITIES(b)012146资料来源：《A State-of-the-Art Review on Machine Learning-Based Multiscale Model ing,Simulation,此外，《Machine Learning--Driven Multiscale Model ing:Bridging the Scaleswith a Next-Generation Simulation Infrastructure》这一研究提出了一种全新的跨尺度建模系统MuMMI。该系统能够分析RAS/RAF蛋白质与膜的相互作用，通过识别特定的脂质一蛋白质指纹，来强化可进行效应子结合的蛋白质方向。这个模型连接了三个不同分辨率的尺度：其一，最粗糙的尺度是连续体模型，它能够模拟面积为1μm2的膜在毫秒级时间内的状态；其二，中间尺度是粗粒(CG)马提尼微珠模型，主要用于探究蛋白质与脂质之间的相互作用：其三，最精细的尺度是全原子(AA)模型，用于捕捉脂质和蛋白质之间具体的相互作用。Continuum x 1MLCoarse Grain x 35KMLAl∥Atom x.10K1000nmFeedback30 nm-140K particlesFeedback30 nm-1.4M particles资料来潭：《Machine Learning-Dr iven Multiscale Model ing:Bridging the Scales with a Next--GenerationSimulation Infrastructure》-Helgi I.Ingolfsson等，国联民生证泰研究所请务必阅读报寺末页的重要声明9/29