——全球母料和复合料生产商Kafrit集团与MaterialsZone合作，将人工智能应用于其原材料管理和产品开发。

Kafrit集团是一家总部位于以色列、为塑料行业提供定制化母料和复合料的全球生产商，由遍布三大洲的多个全球企业组成。Kafrit寻求

MaterialsZone的帮助，旨在管理其跨越所有这些不同实体的化学品、原材料、配方和成品数据，而每个实体都拥有不同的本地数据系统。

此外，公司还希望加速研发，为所有研发材料创建一个统一的信息源，并促进跨集团协作。Kafrit表示，其所有公司间的数据统一标志着一个

重要的里程碑，使得新产品或调整产品的交付速度更快、配方建议更佳、替代材料选择更有效。公司发现，简化的流程也确保了更容易遵守

如REACH之类的法规。

MaterialsZone由Assaf Anderson与别人共同创立，他目前担任该公司的首席技术官。Anderson拥有材料研究的学术背景，拥有化学学士学位、

纳米材料硕士学位和光化学博士学位。在创立MaterialsZone之前，他曾在巴伊兰大学纳米技术与先进材料研究所担任博士后研究员。

通过减少试错，人工智能模型的整合已经显示出对配方流程的显著加速作用，并通过利用共享数据和增强模型，实现了更高效的跨公司协作。

自《塑料技术》杂志与MaterialsZone交流以来，该公司已成功完成了四个涉及新化合物配方和开发的引导式研发项目，将整体研发项目时间缩

短了70%。

Anderson表示，MaterialsZone与Kafrit的合作始于连接多个业务部门的信息。当两家公司最初开始合作时，Kafrit拥有六家子公司，如今已增至

九家，实体分布在美国、加拿大、中国、瑞典、德国和以色列等全球各地。"当时有这么多不同的地点，每个地点都管理着自己的原材料和产

品目录，"Anderson说。

他指出，尽管信息系统各异，但这些不同的子公司确实像不同的公司一样，希望成为一个统一的实体。MaterialsZone采取的第一步措施之一是

连接这些目录，整合来自不同地点的材料清单。"这已经带来了很多价值，"Anderson说。"他们可以找到替代材料，并且通过混合数据，这些材

料在不同地区都可以获取。"

公司还收集了法规数据合规数据，其理念是，如果一个人收集了一条信息，而另一个人可以从已完成的工作中受益，那么其他人就可以基于这

些先前完成的工作来筛选和选择材料，从而使研究由整个团体共同创造，而非个人。

连接产品目录带来了进一步的协同效应，可以识别重叠的产品，并通过关键字、属性搜索或分类等方式，系统地访问所有材料。

"现在，Kafrit集团受益于统一、协调的材料和供应商目录，"Anderson说。"通过让AI利用集团内共享的实验、产品和配方知识，他们可以显著

提高研发和产品开发流程的效率。"

*MaterialsZone的起源*

在最终促成公司成立的研究初期，Anderson创建了一个用于发现新材料的"实验装置"，并于2013年首次应用了机器学习。"对我来说，我确实在

那里看到了曙光——事情开始整合起来，我把注意力集中到了这个交叉领域。"特别是，Anderson对不同材料数据的交叉点产生了兴趣，寻找更

好的数据保存方法，并探索用户如何利用AI从收集的数据中获取更多价值。

MaterialsZone于2018年成立，并开始接纳外部客户，从Anderson所称的高通量本地化研究基础设施，转变为开始为周边更多实验室服务的基于

云的系统。"MaterialsZone采纳了更好的数据管理和数据整合的概念，并创建了这些共享环境，研究人员可以在数据上进行协作，"Anderson说。

Anderson认为，许多材料公司的传统结构并不精益。"当你接触到处理材料的组织时，你会发现通常他们决策所需的数据不可用、无法访问或不

准确，"Anderson说。"存在大量的知识损失和大量的返工。人们一遍又一遍地开发相同的配方。"

造成这种低效率的原因是，许多公司内部有多个部门孤立地进行类似的工作。"存在很多孤立的流程，"Anderson说。"当你观察一个组织时，你

会发现原材料涉及不同的利益相关者，他们具有不同的职能，需要收集或维护材料信息的不同方面，无论是法规、采购、质量控制、配方还是

材料的物理技术性能。"

这些利益相关者通常使用不同的信息系统，将所有数据保存在不同的位置。一些看到这些数据孤岛以及不一致的数据存储方式和方法的材料公

司正在寻求更好的解决方案。

"最终人们会说，'我想把所有人聚集起来——连接信息系统，为每种材料、每个产品或每个配方创建一个统一的入口，让每个人都能看到他们需

要的特定角度，'"Anderson解释道。

*材料开发的新方法*

目前，MaterialsZone正在利用AI收集更多数据，从技术数据表和分析证书中提取相关信息，并将过去报告中的非结构化数据转化为结构化数据。

Anderson说，作为新结构的一部分，该系统会生成所谓的"描述符"，其中包括技术、物理甚至分子标记。"这些可以帮助你提高分析型AI的效率，

而分析型AI正是你实际上可以关联或发现并预测虚拟框架结果的地方。"

借助这种称为"引导式研发"的能力，该程序可以推荐潜在的材料配方并虚拟预测其性能。这使得系统能够将实验设计与AI相结合，但AI可能会

简化材料开发中所需实验的数量和类型。

"其理念是向研究人员推荐如何创建一组实验，"Anderson说，"但如果你只是按照书本或者研究型文章来设计实验，那么就需要很多次迭代，很

多循环来重复，才能找到正确的性能。然而，如果你将AI与这个实验结合使用，那么你基本上可以减少试验次数，因为它会慢慢收集足够的数

据来构建预测模型，然后说，'好吧，跳过这个实验。我不需要它，'或者'执行这个实验来教导模型。'"Anderson表示，从那里开始，研究人员可

以做出最佳预测，并有可能将开发周期缩短50%以上。

"分子描述符——基本上可以是芳香环数量、链长、价电子数、共轭键数——被推送给分析型AI，"Anderson说，"然后它会告诉你，例如，在合

成方面哪个是最重要的参数。就最终性能而言，哪种分子或活性基团会为你带来最佳结果？"