人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。

VIP内容

来自于亿欧智库的《中国AI+材料科学产业应用研究报告》,本报告从全球AI+材料科学发展,到产业应用落地作出梳理。解读中国AI+材料科学产业规模、发展趋势,并剖析产业痛点,提出发展建议。旨在推动人工智能驱动新材料发现的产业落地,并为跨界企业、投资人等提供参考。

全球新材料产业持续扩张,差异化显著,产业重心逐渐向亚太区转移

全球新材料产业差异化显著,美国、欧洲和日本等国拥有成熟的新材料(Advanced materials)市场,多数产品占据全球市场的垄断地位,是新材料产业主要的创新主体。其中,美国在新材料全领域位于领先地位;欧洲在复合材料、化工材料领域优势显著;日本在电子信息材料领域领跑于世界;俄罗斯在航天航空材料等方面趋于领先地位;中国在前沿新材料等领域发展有一定优势。随着全球新材料产业巨头迅速扩张,新材料产业链的中低端逐渐向亚太地区(如中国)转移。

2019年全球新材料产业规模达到2.23万亿美元,2020年仍保持10%左右增长。目前,全球范围内都在积极发展新材料,尤其是发达国家,新材料已成为决定一国高端制造及国防安全的关键因素和国际竞争的重点领域。2019年全球新材料产值中,先进基础材料产值比重占49%,关键战略材料产值占43%,前沿新材料比重8%。

国家和企业的研发投入是保持核心竞争力的关键,中国应持续加大投入

美国、日本等发达国家早期通过高强度的研发快速实现了高度成熟的工业化,日本1980年代研发强度已经超过2%,相关配套产业十分成熟,因此进一步的实体创新越发困难。但近20年来美国、日本的研发强度增长趋势十分缓慢,美国基本维持在2.6%-2.8%,日本维持在3.0%-3.5%,而韩国对基础科研的重视程度持续加深、科研投入不断加大。

研发是新材料企业保持核心竞争力的关键,新材料研发周期长、回报慢,因此自主研发的企业必须具备足够的抗风险能力。从全球化工及材料巨头,如BASF、3M、陶氏、杜邦等企业看,并不存在单一的新材料企业,这些企业均具有多元化的业务结构,并且多数企业最初都是通过石化或基础化工形成规模优势及稳定的盈利,从而有能力在新材料领域投入持续的研发,并且其新材料产品多是基于石化产品的延伸。而石化化工产品在二十世纪七八时代开始便趋于成熟。因此近四十年来,化学工业基本不再产生新学识,新物质、新品种的创造愈发困难。

新材料产业是国民经济和制造业升级的基础,涉及国防、民生等各方面

根据国家标准《GB/T 37264-2018 新材料技术成熟度等级划分及定义》,新材料指新出现的具有优异性能和特殊功能的材料,及传统材料改进后性能明显提高或产生新功能的材料。国家统计局将新材料分为六大类,包括特种金属功能材料、高端金属结构材料、先进高分子材料、新型无机非金属材料、高性能复合材料和前沿新材料。工信部《新材料产业发展指南》中指出,新材料三大战略发展方向包括先进基础材料、关键战略材料、前沿新材料。作为工业发展的先导,新材料产业是基础性、支柱性产业,已成为国民经济发展、高端制造业升级的基石。

材料科学是经济发展的重要上游环节,是工业制造和国防发展的关键保障。从材料性能、材料属性、物理性质可以将材料进行归类,分别对应到应用环节的各个下游领域。作为中国七大战略新兴产业之一,材料产业的发展对于中国经济建设具有重要意义。

新材料产业上升为国家战略性新兴产业,产业规模逐年递增

新材料广泛应用于各领域,其研发和应用与技术和产业变革息息相关,新材料的发展为技术创新和产业升级注入推动力。为应对新材料产业在快速发展中遇到的核心竞争力不强、创新力不够、产业化缓慢、进口依赖度高、人才匮乏等问题,近十年中国政府制定了一系列新材料产业政策,积极推动新材料产业发展。尤其是在2009年中国明确将新材料产业列为战略性新兴产业,并予以重点支持的背景下,中国新材料产业的发展获得充分的政策保障。2012年工信部发布《新材料产业“十二五”发展规划》,为新材料产业制定明确的发展方向和任务后,新材料产业发展进一步提速。

中国发改委、工信部等联合发布的《中国新材料产业发展报告》指出,2010至2019年中国新材料产业蓬勃发展,市场规模由人民币7000亿元增长至人民币4.1万亿元,年复合增长率达23.9%。

中国新材料产业自主创新能力不强,关键技术仍受制于人

材料科学是整个国民经济的基础,服务范围极广,涉及从国防到民生的各个方面,而且需求迫切。目前我国很多关键核心材料核心竞争力不强, 32%中国关键材料领域为市场空白,进口依赖现象严重,如高铁齿轮制动装置、电子产品存储芯片等。具体来讲,航空发动机、雷达、军工等方面所需的材料比较复杂,往往是多种元素或者多种化合物组成的复杂混合物,单纯依靠传统“试错式”的材料研发模式非常困难,而材料的研发及生产周期较长,导致新材料的研发无法跟上产品设计的速度,严重制约了我国科技的进步和工业的发展。

尽管中国新材料产业迅速发展跻身于全球材料大国行列,但存在材料支撑保障能力不强,产学研用衔接不紧密,产业集群效益弱,产业基础设施不健全等问题,具体表现为产品结构不合理、关键技术受制于人、国际市场竞争力不强。

成为VIP会员查看完整内容
0
17

热门内容

The quest of `can machines think' and `can machines do what human do' are quests that drive the development of artificial intelligence. Although recent artificial intelligence succeeds in many data intensive applications, it still lacks the ability of learning from limited exemplars and fast generalizing to new tasks. To tackle this problem, one has to turn to machine learning, which supports the scientific study of artificial intelligence. Particularly, a machine learning problem called Few-Shot Learning (FSL) targets at this case. It can rapidly generalize to new tasks of limited supervised experience by turning to prior knowledge, which mimics human's ability to acquire knowledge from few examples through generalization and analogy. It has been seen as a test-bed for real artificial intelligence, a way to reduce laborious data gathering and computationally costly training, and antidote for rare cases learning. With extensive works on FSL emerging, we give a comprehensive survey for it. We first give the formal definition for FSL. Then we point out the core issues of FSL, which turns the problem from "how to solve FSL" to "how to deal with the core issues". Accordingly, existing works from the birth of FSL to the most recent published ones are categorized in a unified taxonomy, with thorough discussion of the pros and cons for different categories. Finally, we envision possible future directions for FSL in terms of problem setup, techniques, applications and theory, hoping to provide insights to both beginners and experienced researchers.

0
332
下载
预览

最新论文

Advanced manufacturing techniques have enabled the production of materials with state-of-the-art properties. In many cases however, the development of physics-based models of these techniques lags behind their use in the lab. This means that designing and running experiments proceeds largely via trial and error. This is sub-optimal since experiments are cost-, time-, and labor-intensive. In this work we propose a machine learning framework, differential property classification (DPC), which enables an experimenter to leverage machine learning's unparalleled pattern matching capability to pursue data-driven experimental design. DPC takes two possible experiment parameter sets and outputs a prediction of which will produce a material with a more desirable property specified by the operator. We demonstrate the success of DPC on AA7075 tube manufacturing process and mechanical property data using shear assisted processing and extrusion (ShAPE), a solid phase processing technology. We show that by focusing on the experimenter's need to choose between multiple candidate experimental parameters, we can reframe the challenging regression task of predicting material properties from processing parameters, into a classification task on which machine learning models can achieve good performance.

0
0
下载
预览
Top