踏雪觅径：探索材料软件的自主可控之路

踏雪觅径： 探索材料软件的自主可控之路 计算机 评级：中性 日期：2024.07.18 证券研究报告|行业专题 报告要点 材料软件分为材料发现软件和材料计算软件，前者对应“预测”，后者对应“仿真”。材料研发流程是“预测-验证”。在预测阶段，材料发现软件通 过大数据和机器学习，找到材料成分、结构和性能参数之间关系的规律，由期望的性能参数，得到材料的预测列表。在验证阶段，材料计算软件通过初始材料和环境的数据计算出最终的性能参数，实现“模拟实验”。 材料软件能降本增效。传统的材料研发是“试错法”，费时费力，新材料从研发到产业化应用大约需要10-20年。根据美国材料基因组计划的报告，若应用先进的ICME研发模式和材料软件，能节省一半传统研发时间。 材料软件开发难度大。材料发现软件的核心是大数据和机器学习技术，有限的数据、昂贵的算力和算法的局限性是其发展的限制。材料计算软件发展较 为成熟，核心是将不同场景的计算方法转化为代码，形成不同计算模块，发展的难点在于多尺度计算的融合。 全球：材料软件发展成熟，市场天花板不高。材料发现软件多创新企业， Citrine是领先者；材料计算软件市场基本被传统工业软件巨头公司垄断，如达索的MaterialStudio、新思的QuantumATK，“小而美”的公司在细分领域有一定地位。同时，国外材料软件的商业价值不高：MaterialStudio的母公司Accelry，2014年被达索收购的金额约为7.5亿美元，商誉为4.5亿美元；2023年材料发现软件公司CitrineInformatics估值约仅不到1亿美元。 国内材料软件公司与国际存在差距。我国企业材料研发数字化程度低，尚未开始使用材料发现软件，材料计算软件渗透率低，市占率最高的是Material Studio。国内产品在计算场景、计算方法和数据库的丰富程度上和国外仍有差距。目前MaterialStudio对我国军方禁用，对我国新材料产业的自主可控产生了不利影响。 材料软件作为新材料产业必不可少的效率工具，如何实现自主可控？材料软件的开发难度大，材料软件的商业价值不高，很难完全依靠市场化的方式实现材料软件的自主可控，可能需要非市场化的方式推动国产材料软件的发展。 风险提示：1、材料计算、AI、算力等行业发展不及预期；2、国产化进程不及预期； 3、第三方数据有失真实性。 分析师孙亮 登记编码：S0950524040001：15021163017 ：sunl8@wkzq.com.cn 联系人王何梦雅：13367000172 ：wanghemengya@wkzq.com.cn 行业表现2024/7/17 4% -4% -13% -22% -31% -40% 2023/72023/102024/12024/4 计算机沪深300 资料来源：Wind，聚源相关研究  内容目录 一、什么是材料软件？4 （一）传统研发方式依赖人来试错，数字化研发方式极大提高了效率4 （二）发现阶段：AI+材料大大提高效率，但目前局限明显5 1、大数据和机器学习是材料发现软件的核心5 2、有限的数据、昂贵的算力和算法的局限性，是材料发现阶段的限制6 （三）验证阶段：材料计算软件可以计算多尺度问题，难点在于融合7 1、材料计算软件偏向微观和介观尺度的仿真7 2、多尺度计算平台是大势所趋，但进展有限8 3、材料计算软件产品成熟，将不同场景的计算模块化是核心9 二、全球材料软件发展成熟，市场天花板不高11 （一）材料发现软件多创新企业，材料计算软件多使用国外工业软件巨头的产品11 （二）国外材料软件市场价值低，难以通过自身形成极具商业利润的公司12 三、国内材料软件公司与国际存在差距12 四、国内材料软件公司的发展需要用非市场化手段解决13 附录1、材料软件和传统工业软件的区别14 附录2、学术类材料软件多“小而美”15 附录3、研发方式：从MGI到ICME，“数据驱动”是基础，“全生命周期”“集成”是进步15 附录4、以史鉴今：“人”“数据”“工具”的互联互通是材料研发数字化进程中的关键17 （1）ICME：概念的发展推动研发范式的转变17 （2）材料基因组计划：建设材料研发的基础设施18 风险提示20 图表目录 图表1：数字化研发方式能降本增效5 图表2：材料发现软件Citrine工作原理5 图表3：材料发现软件Matminer工作原理5 图表4：高通量计算的典型案例16 图表5：高通量计算的典型案例26 图表6：QuantumATK晶界建模示例7 图表7：MaterialStuidio原子建模7 图表8：微观、介观、宏观尺度刻画的时间与长度8 图表9：微观、介观、宏观尺度研究对象8 图表10：什么是多尺度？——以编织为例9 图表11：复合材料软件Digmat中编织模块Fiberism的示例9 图表12：QuantumATK的使用场景9 图表13：MaterialStudio不断更新，2008年加入介观计算模块Mesocite9 图表14：使用LAMMPS进行建模计算10 图表15：使用可视化软件ovito对lammps的结果进行可视化10 图表16：Visualizer模块（MaterialStudio）微观层次建模过程10 图表17：使用QuantumATK进行晶界建模10 图表18：AbsorptionLocator模块（MaterialStudio）吸附能计算结果11 图表19：AbsorptionLocator模块（MaterialStudio）吸附能可视化结果11 图表20：MPDS使用界面11 图表21：Citrine使用界面11 图表22：国外主流材料软件和国内情况对比表12 图表23：使用概念习惯上，狭义材料计算软件和CAD、CAE的联系和区别15 图表24：材料基因组-计算材料设计-ICME的概念解释16 图表25：材料基因组-计算材料设计-ICME发展时间轴17 图表26：一种对于多组元材料建模、模拟和设计的4阶段集成化多尺度方法18 图表27：MGI（2011&2014&2021）的基础设施框架20 图表28：MGI（2014）指出的四大挑战20 一、什么是材料软件？ 材料软件是能帮助材料研发的软件，分为在预测环节起作用的材料发现软件，和在验证环节起作用的材料计算软件。 （一）传统研发方式依赖人来试错，数字化研发方式极大提高了效率 材料研发流程是“预测-验证”的过程。首先构建材料结构的预测池，然后通过实验或者计算机模拟的验证对应的性能，进而筛选、修改最初的预测。 材料传统的研发方式是“试错法”，费时费力。传统研发方式在预测环节中依赖总结文献、专家经验，用类似“炼金术”的方式，列出多种材料组合，在验证环节制造出样本，进行人工实验验证，再根据结果修改预测池或者重新设计材料结构，循环往复，如“大海捞针”，消耗 时间巨大，并且有些实验条件苛刻，难以实施。比如为了满足高强度、耐高温等特性，需要找到A金属在B基金属中最佳比例（0-10%），那么需要以0.5%为间隔，烧制0-10%含量的20个样品，进行测试对比，缩小比例范围，细化间隔，如以0.1%为间隔制作5%-7%的20个样本，再进行测试对比。如果是多元合金的制造，那么时间和成本将会成倍增加，十分费时费力费钱。 利用数字化的研发方式，可以降本增效。进入数字化时代后，模拟阶段的材料计算软件逐渐得到普及，随着大数据和机器学习的发展，材料发现软件涌现。根据美国材料基因组计划（MGI） 报告，按照传统的研发方式，新材料从发现到工业化应用大约需要10-20年的时间，而先进材料则需要20年甚至更长的时间，结合先进的集成材料计算工程（ICME）的研发方法，可以节省约一半的时间。比如在上一段的例子中，可以通过材料计算软件模拟得出A金属不同比例下、B基金属的性质，接着只需要在最佳范围5%-7%内进行验证，省去了一半的时间和成本。 在预测阶段，利用材料发现软件辅助总结经验。在构建预测池的过程中，材料发现软件通过 AI总结出材料结构和性能参数之间的关系，由期望的性能参数得出可能的结构列表。根据材料发现公司Citirine官网，材料公司HRL使用Citrine软件平台将开发时间从数年缩短到数天。在满足某个热性能的化合物发现案例中，在5个月的时间完成了超过了2500种新型聚合物的热性能预测，并且筛选出最可能的10种，省去了制造其余2490种聚合物的制造和验证环节。 在验证环节，利用材料计算软件“模拟实验”。在验证环节中，材料计算软件对初始条件进行建模（设置环境和材料结果的参数），通过计算机程序求解一系列物理方程或本构模型，进 而得到预测的性能参数。材料计算软件能通过“虚拟筛选”，最大限度地减少物理实验的数量。比如在设计某种高强度汽车外壳的时候，如果完全依赖于传统的实验方法，需要将每个预测的材料都制造出样本再进行碰撞实验，如果能用材料计算软件筛选出最理性的列表，减少“实际制造样品-实验”的流程，就能大大降低成本和时间。 图表1：数字化研发方式能降本增效 资料来源：机器学习在材料服役性能预测中的应用，五矿证券研究所 （二）发现阶段：AI+材料大大提高效率，但目前局限明显 在材料发现阶段，材料发现软件利用大数据和机器学习找到材料微观成分、结构和宏观性能之间的关系，进而构建预测池，可以提高人工构建预测池效率，降低成本。材料发现软件的难点在于有限的数据、高昂的算力和算法的局限性。 1、大数据和机器学习是材料发现软件的核心 材料发现软件的基础是大数据和机器学习。材料发现软件的原理是：通过大数据和机器学习技术，分析材料微观结构和宏观性能之间的关系，找到规律，来预测最符合目标要求的材料。 图表2：材料发现软件Citrine工作原理图表3：材料发现软件Matminer工作原理 资料来源：CitrineInformatics,五矿证券研究所资料来源：Matminer，五矿证券研究所 AI+材料可助力材料发现。如：美国加州大学圣地亚哥分校工程学院的纳米工程师开发的AI 算法M3GNet，可几乎即时地预测任何材料（无论是现有材料还是新材料）的结构和动态特性。GoogleDeepMind推出的材料发现工具GNoME将材料发现的效率提升了一个数量级，其材料团队发现了220万颗新晶体，相当于近800年的知识。 配方型材料发现有望先行一步。设计材料，最基本的是设计成分和结构。成分数量和最佳比例可以用“遍历罗列”的形式来找到，计算机更能胜任这种重复性的试验工作。结构千变万 化，一个分子中两个原子的相对位置、结合方式，一个分子团中分子的数量、构成方式等等众多三维要素都能够改变材料的性质，因此相对结构设计来说，成分设计更加机械。配方型材料在海外很成熟，在中国也是一个很重要的方向，很多化工材料是标准的复合材料过程， 对配方的依赖性非常强。如果有效的去对单一公司的配方数据、反应流程、性质等进行收集，并在这个基础上不停的进行预测和优化，对企业研发大量的新配方会起到非常重要的作用。比如巴斯夫、陶氏化学等公司早已有之。 2、有限的数据、昂贵的算力和算法的局限性，是材料发现阶段的限制 数据是材料发现软件发展中最大的掣肘，算力、算法也限制了性能推导结构的过程。 ①数据库：数据的可获得性，真实性以及精准性问题制约材料数据库发展 机器学习首先依赖的是海量、真实、精准的数据。材料发现软件本质是利用机器学习，找到数据库中材料结构和性能数据之间对应的关系，由想要的“性能”，构建“预测池”，因此数 据的质量和数量是关键。 打破企业间数据隔阂，建立大容量数据库较为困难。出于商业的考虑，新材料公司数据的保密性都是极高级别的，尽管能通过政策驱动、商业合作、购买等方式缓解数据鸿沟的问题， 但难以完全消除不同企业间数据的隔阂。 真实数据的问题：公开数据的真实性有待考究。有些学术论文中的数据并不真实可靠，学术论文是公开数据的重要组成部分，但学术论文的数据中，部分偏差较大，因此很多情况下企业对此类数据并不信任，而