<ins id="1zdzd"><font id="1zdzd"></font></ins>
    <strike id="1zdzd"></strike>

        <ol id="1zdzd"></ol>

          <p id="1zdzd"><var id="1zdzd"></var></p>
          <video id="1zdzd"><ins id="1zdzd"><address id="1zdzd"></address></ins></video>

          • 產品與服務矩陣
          • 資源中心
          • 關于我們

          AIGC產業研究報告2023——分子發現與電路設計篇

          行業監測分析 陳一墨 2023-05-23 6228
          今年以來,隨著人工智能技術不斷實現突破迭代,生成式AI的話題多次成為熱門,而人工智能內容生成(AIGC)的產業發展、市場反應與相應監管要求也受到了廣泛關注。為了更好地探尋其在各行業落地應用的可行性和發展趨勢,易觀對AIGC產業進行了探索并將發布AIGC產業研究報告系列。 報告以內容生成模態作為視角,涵蓋了AIGC在語言生成、圖像生成、音頻生成、視頻生成、三維生成、分子發現與電路設計(圖生成)等領域的技術發展、關鍵能力、典型應用場景,我國AIGC產業在商業化落地過程所面臨的挑戰和對前景的展望。希望通過梳理和把握AIGC產業的發展脈絡,為各領域的應用開發者和使用者提供參考。

          定義


          分子發現與電路設計是指利用機器學習、深度神經網絡等技術學習分子與集成電路的結構、規則與性質,并生成具有相似結構、符合特定規則并具有目標性質的分子與集成電路。

          在分子發現與集成電路設計的工作中,由于分子構象與集成電路設計方案存在10的幾十次到幾百次方的可能性,且集成電路設計中包含NP難題與NP完全難題,因此利用人工智能輔助分子發現與集成電路設計工作可以有效提高效率。

          細分類型


          在分子發現中,目前分子生成所用的分子表示方法主要分為一維表示法、二維表示法與三維表示法。一維表示法是將分子表示為一維的字符串;二維表示法是將分子以圖數據的形式進行表示;三維表示法是表示分子的三維結構。如甲基苯以SMILES標準的一維表示為Cc1ccccc1,以SELFIES標準表示為[C][C][=C][C][=C][C][=C][Ring1][=Branch1],而二維表示與三維表示如下圖所示:



          集成電路設計工作可以分為布局與布線兩大類。


          布局是指安置集成電路中不同電路部件在設計平面圖中的物理位置,具體來說是給定一組集成電路的部件,其中包括標準單元、宏模塊與邏輯門等,與這些部件的寬度、高度等特性信息,也需要給出這些部件的引腳位置與部件間的連接關系信息,基于以上信息分配部件物理位置,使部件間互不重疊。由于布局工作絕大多數是在平面內設計,因此布局結果與分子的二維表示相似。


          布線是指設計各部件間的連接電路,具體來說是在完成布局后,部件的引腳位置已經 確定,且部件間的連接關系也已經確定,在布局時預留的布線區內,根據部件間的連接關系以及如布線總長度最小、部件間的時序關系等要求,在不違反布線規則的前提下設計部件間的連接電路。部分布線工作與布局工作同樣在平面內完成,但部分集成電路采用多層金屬線路布局,因此此類布線工作具備三維性質。


          布局與布線工作也可再次細分為全局布局與細節布局、全局布線與細節布線工作。全局布局與全局布線工作均為完成整體的布局與布線,而細節布局與細節布線工作均是在全局工作的基礎上,進行錯誤的修改修正,并根據更加細節的布局布線要求與目標優化全局工作的結果。


           


          主流模型


          目前分子發現的生成方法主要分為深度生成方法與組合優化方法,深度生成方法將各種分子的可能性視為連續的概率并利用生成模型對分子數據進行概率建模,而組合優化方法則是將分子根據不同性質離散化并根據預期生成分子的性質選擇生成策略。


          由于原理不同,深度生成方法需要大量數據訓練,但所需人工調整較少;而組合優化方法所需訓練數據量小,但應用時需要大量人工調整。而兩種方法所采用的模型與算法也不同,不過在實際工作中,兩種方法以及各自的算法與模型可以結合應用。


           


          目前集成電路設計的布局工作相關研究可以分為機器學習布局優化、人工智能布局決策與考慮布線的布局決策三類。機器學習布局優化是指在不改變傳統布局算法的同時,將算法與機器學習結合以增加計算效率;人工智能布局決策是指利用人工智能技術實現布局的設計;考慮布線的布局決策是因為布局會影響布線工作,因此在進行布局設計的同時考慮布線的合理性。


          而布線工作的相關研究可以分為人工智能布線優化與人工智能布線決策。人工智能布線優化是指利用人工智能預測布線設計是否存在問題并找出問題點;人工智能布線決策是指利用人工智能技術實現布線設計。


          目前多數相關研究僅針對布局或布線中的一項工作,但也有部分相關研究希望同時解決布局與布線問題。


           


          影響模型應用能力的關鍵因素


          ●    生成質量


          對于分子發現和集成電路設計模型來說,生成質量是決定其應用能力的核心因素。

          目前分子發現模型的評價體系有22項評價標準用以評價生成分子的有效性、與訓練數據分布的相似性、差異性、原創性、穩定性、分子屬性等;


          與之相似的,集成電路設計模型的評價標準也在不同大小的訓練數據集與在各類小樣本任務中通過評價設計的布線長度、布線擁塞情況、計算效率、設計面積、設計功耗等方面評估集成電路設計質量。


          但評價結果只是對生成的分子與集成電路設計的理論評價結果,實際應用結果則需要在完成分子與集成電路的生產制造后才能進行真實的評價,但對于分子發現與集成電路設計來說進行實際應用驗證的周期通常非常長,而實際應用結果則是對模型生成質量的真正考驗。


          ●    適用性


          分子發現和集成電路設計模型需要適用于特定的設計目的。分子可以分為有機分子與無機分子、大分子與小分子,應用領域也包括化學藥物、化學制劑、生物藥物、新材料等等,而分子發現模型需要結合產業的設計目的對模型進行重新訓練、修改架構、手動調參、規劃發現原則等以適用于產業要求。


          集成電路可以分為數字集成電路、模擬集成電路與混合集成電路,射頻集成電路、傳感器集成電路、通用集成電路,根據設計目標與應用場景的不同,僅數字集成電路就包括CPU、GPU、TPU、NPU等不同類型的電路,且數字集成電路還包括x86、ARM、ASIC、RISC-V等等不同的指令集架構,因此集成電路設計模型同樣需要結合產業的設計目的對模型進行重新訓練、修改架構、手動調參、規劃發現原則等以適用于產業要求。


          典型產業應用場景


          ●    分子發現


           



          新型藥物設計:人工智能分子設計可用于設計新型藥物,以加速藥物研發過程。通過分析大量的分子數據,人工智能算法可以預測分子的屬性、相互作用和生物活性,從而幫助研發人員設計更有效的藥物。


          材料科學:人工智能分子設計可以用于材料科學研究,例如設計新型催化劑、電池材料、光電材料等。通過人工智能算法的預測和優化,可以大大提高材料性能和生產效率。


          食品和農業:人工智能分子設計也可以應用于食品和農業領域,例如設計更健康的食品添加劑、農藥和肥料。通過分析分子結構和性質,人工智能算法可以優化食品添加劑和農藥的成分比例,提高其效果和安全性。


          能源:人工智能分子設計可以用于開發新型的能源材料,例如設計更高效的太陽能電池、燃料電池和儲能材料。通過分析分子結構和性質,人工智能算法可以優化材料的電子傳輸和儲存能力,從而提高能源轉換效率。


          化妝品和個人護理:人工智能分子設計也可以應用于化妝品和個人護理領域,例如設計更安全、更有效的化妝品成分和個人護理產品。通過分析分子結構和性質,人工智能算法可以優化化妝品和個人護理產品的成分比例和配方,提高其效果和安全性。


          ●    集成電路設計


          與分子發現相比,集成電路設計的產業應用場景較為簡單,通常作為電子設計自動化(EDA)軟件功能的一部分用于芯片產業的設計環節。由于芯片設計的高度復雜性,芯片設計公司應用人工智能集成電路設計模型已經成為必然。


          市場主流廠商及商業模式


          ●    分子發現


          藥物研發


          目前藥物研發領域是應用分子發現的最熱門領域,主要商業模式有三種,第一種為以提供軟件平臺服務為主;第二種以內部研發賦能為主;第三種為提供藥物研發外包服務為主。提供軟件平臺服務的企業為客戶提供藥物研發計算工具,并通過合作獲得數據支持以迭代算法,協助藥企更好地進行藥物研發。內部研發主要以人工智能賦能自有藥物研發管線。藥物研發外包服務與藥企合作推進新藥研發,并獲得數據沉淀以迭代算法,與第一種不同的是第一種僅提供工具,而藥物研發外包則直接參與研發行為。


          海外市場主流廠商


          目前海外利用人工智能賦能藥物研發的廠商主要分為三類,分別為專注于人工智能藥物研發的企業、科技巨頭公司與傳統藥企,而這其中專注于人工智能藥物研發的企業為市場主流。


          Schr?dinger開發的基于物理的計算平臺可以較為精確地預測分子的關鍵理化性質,更高效且低成本地發現高質量分子。Schr?dinger在全球藥企中的滲透率非常高。Schr?dinger公司的業務主要可以分為兩部分,一是軟件服務,二是藥物發現服務。截至2023年第一季度末,Schr?dinger公司的軟件服務在全球擁有1600余家客戶,共有30個與藥企合作的項目。2022年末,Schr?dinger公司 軟件服務收入為1.36億美元、藥物發現服務收入為0.45億美元。


          Relay Therapeutics是一家專注于自研人工智能制藥的生物制藥公司。目前基于自研的藥物篩選平臺Dynamo Platform篩選出6個項目,其中一個項目處于臨床,兩個項目處于臨床1期。


          Exscientia是一家人工智能驅動的藥物研發公司,其開發了首個功能性精準腫瘤學平臺,成功地在前瞻性干預性臨床研究中指導治療方案 選擇并改善患者預后,同時推進了人工智能設計的小分子藥物進入臨床應用。目前Exscientia已有多個藥物進入臨床階段,2022年收入3290萬美元。


          中國市場主流廠商


          與海外市場類似,中國市場廠商同樣分為專注于人工智能藥物研發的企業、科技巨頭公司與傳統藥企,而專注于人工智能藥物研發的企業同樣為市場主流。


          晶泰科技是一家量子物理與人工智能賦能的藥物研發公司,通過提高藥物研發的速度、規模、創新性和成功率,致力于實現藥物研發的行業革新。目前晶泰科技有13條在研管線,其中三條管線已經進入臨床階段。在2022年3月至2023年4月期間,晶泰科技公開宣布與10家藥企與研發企業達成合作。


          英矽智能是一家全球領先的、利用端到端人工智能進行靶點發現、小分子化學和臨床研發的公司。英矽智能開發人工智能系統,利用深度生成模型、強化學習、變換模型和其他現代機器學習技術來生成具有特定屬性的新分子結構。英矽智能兩種商業模式:通過自主研發的Pharma.AI平臺提供人工智能驅動的藥物發現服務和軟件,以及利用自主研發的平臺開發自有的臨床前在研管線。


          百圖生科則是互聯網科技巨頭進軍人工智能藥物研發的典型代表。百圖生科由百度創始人李彥宏發起創立,其產品百圖生科(BioMap)是生物計算引擎驅動的創新藥物研發平臺。目前百圖生科有6個管線藥物正進行研發,其中進展最快的項目則在 臨床前候選化合物階段。


          材料研發


          目前材料研發領域的分子發現應用正逐漸興起 ,但市場發展仍處于較早的階段,目前市場內的廠商主要分為材料領域老牌廠商與科技巨頭,目前多數情況是老牌廠商與科技公司合作進行人工智能輔助材料研發,部分老牌材料廠商自研人工智能材料研發技術。


          海外市場情況


          Citrine Informatics 是一家利用大數據、人工智能和機器學習技術提取和分析有關材料、化學品和設備的大量技術數據,以簡化生產實體產品的任何組織的研發、制造和供應鏈運營的軟件公司。如Boeing與其合作研發航空材料、BASF與其合作研發化工催化劑、Panasonic與其合作研發溶劑等等。


          QuesTek Innovations是全球著名的綜合計算材料工程公司。其專利Materials by Design?可用于快速設計和制造航空航天領域的金屬零部件,如飛機起落架和傳動裝置。APPLE也與QuesTek合作研發鋁合金材料,QuesTek更是受美國能源部高級能源研究計劃署資助研發下一代渦輪葉片的新型合金和涂層材料。


          除以上專注于以計算科學進行新材料研發的公司外,IBM也與NAGASE合作研發新材料,HITACHI與Mitsui Chemicals合作研發新材料,Dassault Systems與DOW合作研發新聚合物、與Symyx合作研發化工催化劑,通用電氣自研人工智能新材料研發技術自研高溫合金材料,CORNING公司自研電管陶瓷等。日本旭化成、三菱化學、三井化學、住友化學與東麗工業等在內的約 20 家日本企業與經濟產業省合作,在 2021 年開始聯合管理一個基于 AI 的系統,以使用國內專利來研發先進材料。


          中國市場情況


          深勢科技致力于運用人工智能和分子模擬算法,結合先進計算手段求解重要科學問題,為生物醫藥、能源、材料和信息科學與工程研究打造新一代微尺度工業設計和仿真平臺。深勢科技推出了Bohrium?微尺度科學計算云平臺、Hermite?藥物計算設計平臺等微尺度工業設計基礎設施,為藥物、材料領域帶來計算模擬及設計工具。寧德時代也與深勢科技合作以改進電池性能為目標進行新材料的研發。


          機數量子主要針對我國高端材料開發困難、底層數據缺乏、尖端材料工藝被封鎖的“卡脖子”問題,融合量子化學計算、大數據分析和人工智能預測,提供材料大數據檢索、新材料智能開發和整體解決方案等服務,踐行材料產業數字化、數字材料產業化。


          材智科技是專注于材料數字化技術研發與應用的技術供應商。其產品iDataInsight是一個構建機器學習模型與應用機器學習模型的平臺,通過融合材料信息學、機器學習技術,加速材料研發與應用,助力高技術用戶進行材料發現、結構分析、性質預測及反向設計。


          ●    集成電路設計


          目前芯片行業主要商業模式可分為兩類:垂直整合制造(IDM)模式和垂直分工(Fabless)模式。垂直整合制造模式是指公司從芯片的設計到制造、封測直至進入市場全部覆蓋;垂直分工模式是指將各個環節拆分由不同的公司完成。


          而在設計環節,主要的商業模式為知識產權(IP)授權模式與流片模式。IP模式是指IP設計公司將自己設計的如CPU、GPU、DSP、NPU等芯片功能單元授權給其他的集成電路設計公司,收取IP授權費與芯片銷售版稅;流片模式是指集成電路設計公司將芯片設計落地為芯片產品,銷售后獲取收益。


          對于垂直分工模式來說,由于不同環節由不同公司完成,因此通常包含IP授權與流片兩種商業模式;而垂直整合制造由于所有環節均由同一公司完成,因此不包含或少量包含IP授權的商業模式。


          海外市場主流廠商


          目前海外市場的人工智能芯片設計市場高度集中,市場主要由幾家大型芯片設計公司掌控。


          ARM公司是一家知識產權(IP)供應商,通過與100多家如APPLE、Intel、IBM、LG、SONY等業界頂級公司的合作,ARM公司迅速成為全球RISC微處理器標準的締造者。目前采用ARM技術知識產權的微處理器已經遍及工業控制、消費類電子產品、通信系統等各類產品市場。ARM構建了人工智能與機器學習開發者社區,鼓勵開發者應用并改善ARM的人工智能芯片設計工具,而ARM也在開發Cortex CPU、Ethos NPU、Mali GPU等芯片IP時應用集成電路設計模型。


          Synopsys是全球最大的電子設計自動化(EDA)軟件工具廠商,為全球市場提供集成電路設計與驗證平臺,同時提供知識產權(IP)和芯片設計服務。Synopsys是第一家將人工智能應用于產業EDA軟件的公司,目前對外推出DSO.ai、VSO.ai、TSO.ai三款人工智能賦能的EDA軟件。


          Cadence是一家從事電子設計自動化(EDA)軟件工具、程序方案服務和設計服務的供應商,其產品涵蓋了電子設計的全部流程,包括系統級設計、功能驗證、集成電路綜合及布局布線、模擬、混合信號及射頻集成電路設計、全定制集成電路設計等等。Cadence已經在其設計環節中廣泛應用集成電路設計模型,并已將模型集成于其Cerebrus、Integrity、Certus等產品、平臺與解決方案中。


          除以上專注于集成電路設計的廠商外,Qualcomm、Broadcom、NVIDIA、AMD等采用垂直整合制造(IDM)模式的集成電路廠商也積極應用集成電路設計模型。


          中國市場主流廠商


          與海外市場相比,中國芯片設計市場目前應用人工智能技術的公司較少,目前明確宣布產品應用人工智能技術的有華大九天、國微芯等老牌集成電路設計大廠,也有芯行紀之類的創業公司。與海外廠商相比中國芯片設計廠商無論是在商業競爭力方面還是在應用人工智能技術能力仍較弱,對海外廠商也存在技術依賴。


          華大九天是最早從事電子設計自動化(EDA)研發的企業之一,以EDA工具軟件為核心,圍繞集成電路設計和晶圓制造等多種需求為客戶提供解決方案,在EDA工具軟件領域為中國企業之首。目前華大九天已將人工智能應用于其EDA軟件中。


          國微芯是一家專注于電子設計自動化(EDA)的企業,擁有領先的EDA關鍵核心技術,主要產品及服務包括設計后端EDA工具、制造端EDA工具、IP設計、DFT設計服務及后端設計服務等。目前其EDA工具已結合應用人工智能技術,提升芯片設計流程自動化程度、提升開發效率、優化產品性能。


          芯行紀致力于自主研發新一代數字芯片實現EDA技術和提供高端數字芯片設計解決方案,可大幅度提升芯片設計效率,并助力實現芯片一次性快速量產。目前其智能布局規劃工具AmazeFP已經應用集成電路設計模型以實現芯片的布局規劃。


          此外北京大學黃如院士團隊的林亦波研究員、王潤聲教授等創建了首個致力于芯片設計AI for EDA應用的數據集——CircuitNet,并對外開源,數據集包含1萬以上的數據樣本,涵蓋從實際制造工藝PDK下數字設計流程不同階段中提取到的各類特征。


          商業化面臨的挑戰


           


          ●    開發與驗證成本高昂


          傳統的分子發現與集成電路設計是由實驗驅動與計算驅動的,而人工智能分子發現與集成電路設計是數據驅動的,因此開發需要大量的數據支持,而專業領域的數據搜集難度與標注難度極大,因此數據成本高昂。且在此過程中需要大量接受高等教育的專業人才與跨專業領域人才從事相關工作,因此總體來說開發成本高昂。且對于分子發現與集成電路設計來說,在將分子構象與集成電路設計落實后才能驗證其實際效果,在此過程中不僅需要面對在計算、工藝、產品落地等各方面的不確定性因素,也需要面對商業上的不確定性因素,且通常時間周期較長,因此驗證成本高昂。


          ●    法律與安全問題


          分子發現和集成電路設計模型的商業化還必須考慮法律和安全問題。分子發現可能會產生新的藥物,這可能需要通過嚴格的審批程序才能上市。同時,集成電路設計模型可能需要考慮知識產權和隱私保護等問題。


          而在安全問題方面,分子發現模型可能被用于開發違禁藥品與危險化合物,因此還需要注意安全問題,而正因如此,前沿相關研究難以開源,因此相關技術發展高度依賴專業機構。


          ●    技術發展和競爭壓力


          人工智能領域的技術發展非常迅速,分子發現和集成電路設計模型也需要不斷創新和提升,以應對競爭壓力。同時,商業化的過程中還需要考慮技術的成本和效益。從歷史來看,在分子發現和集成電路設計模型的早期,也被詬病其效率不足以替代計算驅動的研發范式,而之后隨著人工智能技術的發展,目前的分子發現和集成電路設計技術也有可能被更新的技術取代,這也是商業化過程中的一個重要挑戰。


          前沿探索與趨勢展望

          對于分子發現和集成電路設計來說,高質量的訓練數據在產業實際應用中通常非常難以獲得,因此目前前沿探索的一個方向是減小對于訓練數據的需求。而另一方面,出于分子構象與集成電路設計對原創性與新穎性的要求,也在探索模型生成訓練數據分布外結果的能力。而從產業應用需求出發,分子發現和集成電路設計模型的應用場景也可能從設計逐漸向之后的環節拓展,如兼顧生產工藝的需求,藥物的動物實驗與臨床試驗數據建模分析等等。此外,大語言模型技術的發展也可能逐漸向分子發現和集成電路設計領域蔓延,不僅可以為相關應用提供更好的交互體驗與功能體驗,也可參與生成規則設計,生成結果檢驗等領域,提升分子發現和集成電路設計應用的自動化水平。



          AIGC產業研究報告系列共分為六個部分,包括語言生成篇、圖像生成篇、音頻生成篇、視頻生成篇、三維生成篇、分子發現與電路設計篇,并將在本月陸續發布,歡迎關注并與我們共同探討AIGC產業發展。

          久久精品人人做人人综合试看|亚洲精品自在在线观看|成年欧美1314www色|老师在办公室疯狂的肉我
          <ins id="1zdzd"><font id="1zdzd"></font></ins>
            <strike id="1zdzd"></strike>

                <ol id="1zdzd"></ol>

                  <p id="1zdzd"><var id="1zdzd"></var></p>
                  <video id="1zdzd"><ins id="1zdzd"><address id="1zdzd"></address></ins></video>