用AI加速发现高效催化材料，「深度原理科技」获近千万美元种子轮融资

从家庭常备的日化用品，到使用能源的高效催化，生活生产的方方面面离不开新兴材料。当传统“大海捞针”式的试错法，已然难以满足如今新材料研发的需求，这波大模型浪潮催生的人工智能热，却让“AI炼金术”渐渐接近现实。

36氪获悉，深度原理科技（Deep Principle）近期宣布完成近千万美元种子轮融资，该轮投资由线性资本领投，真知创投和 TAIhill Venture 跟投。晶泰科技与深势科技作为科技产业方参与本轮投资。

深度原理科技于2024年创立，专注于人工智能驱动化学领域的科学研究。公司希望将人工智能、量子化学（Quantum Chemistry）和高通量实验（HTE）技术应用于化学材料领域，让材料创新的工作流程得以改善，加速化学材料研发创新效率。

公司创始成员均毕业于MIT，均具有大规模平台搭建和产业内研发经验。创始人兼CEO贾皓钧获MIT物理化学博士学位，曾于陶氏化学核心研发部门进行研发工作，专注于使用人工智能来研发催化剂配方及预测化学反应的路径，之前担任过麻省理工学院中国学生学者联合会（MIT CSSA）2022-2023 主席；创始人兼CTO段辰儒获MIT物理化学博士学位，在微软做研究科学家期间，为多家化学材料公司部署计算化学和人工智能解决方案。

段辰儒（左）和贾皓钧（右）

无论是微软、谷歌、字节这样的科技大厂，还是巴斯夫、陶氏这样的传统化学材料制造巨头，都在大力投入人工智能驱动的科学研究（AI for Science，简称AI4S）。总的来看，大厂更多基于算力和云服务，将 AI4S 中相对成熟的方法平台化、产品化；而另一边的化工巨头，自身也在投入研发，用 AI 优化工业生产技术。

基于此前美国工业界及科技巨头的研发经验，团队看到“全世界最好的材料化学生产基地在东南亚和中国。”贾皓钧表示，在美国去工业化的背景下，材料化学领域的中国企业，正积极从生产转向研发，故AI4S在中国的落地机遇更为丰富。

而段辰儒基于此前创建和维护AI4S科学社区的经验发现，受制于传统实验室惯性和化学材料问题的复杂多样性，平台产品的使用壁垒难以消除，相应的维护优化也会带来不少工程成本。

因此，深度原理科技希望解决的问题在于，与客户合作研发终端垂类应用产品，加速化学、材料领域的创新研究效率。“相比起平台产品，这更易于普及AI带来的高效研究方法，为未来培育更大市场。”贾皓钧表示。

技术路径上，深度原理科技聚焦四大核心算法模块。一是基于生成式模型，大规模主动生成目标化学材料和反应。二是基于推荐算法的模块，以低成本得到高精度的计算结果。三是通过控制模型，对当今的化学计算、化学反应实验直接降本增效。四是结合主动学习和贝叶斯工作流程，锁定目标催化材料。

团队所选技术路径，与创始团队的丰富原创科研成果密不可分。在 Nature 大子刊等顶级期刊以及 NeurIPS 等顶级会议上，两位创始人合计发表超过 60 篇论文，并首创多个AI for Chemistry 模型。目前，还有专利处于申请流程。

团队的其中一项关键工作，就是推出了基于生成式AI技术的扩散模型 OA-ReactDiff。

一个化学反应像是“魔术”，反应物眨眼间变成生成物，但要拆穿“魔术手法”，必须定睛看清眨眼过程时的“过渡态”——即对比出反应前后原子在3D空间中的位置关系。“过渡态”对于理解化学反应十分关键，它蕴含化学反应的机理，能被用以估算反应速率和能量，甚至指导高效催化剂等新型材料的设计。

以前用传统化学计算方法（即密度泛函理论（DFT））发现过渡态，需要数小时甚至数天。不但价格不菲，且常常“翻车”算错。

相比DFT，扩散生成模型 OA-ReactDiff让计算速度提升1000倍，只要数秒就能生成过渡态结构。结果保留了化学反应要求的所有物理对称性，准确性也超过之前一系列AI模型。

这项成果已在 Nature 大子刊 Nature Computational Science 上发表，并被选为封面论文。

图源：公司提供

相比直接实验，基于计算筛选出有前景、有潜力的材料分子，无疑能大大节省实验人员的精力及成本。

但算出材料性质只是一方面，有时候涉及的计算方法不只一种，如何找到最合适的那种？算出很多个近似结果，又怎么找到最准确的那个？AI决策算法的引入，便意在解决这些问题。

此前，科学家们开发了密度泛函理论（DFT），把求解薛定谔方程十年的工作量缩短至几个小时，准确率高达99%。可是，如果不解决最后的1%甚至0.1%的计算误差，要研发出新的催化剂就无从谈起。只有走最贴合材料本身的近似方法，选择最合适的密度泛函，误差才能降到最低。

连分子本身性质都不知道，又如何得知它“喜欢”哪种密度泛函？

段辰儒想到，用户喜欢看什么，抖音总能推什么。而这推荐功能背后的匹配算法，就能帮助分子找到最合适的密度泛函。受此启发，团队将 AI 决策模型融合进计算流程，搭建“密度泛函推荐器”匹配“化学材料—计算方法”，首次实现将金属有机配合物的高通量计算的准确度，逼近实验测量的误差精度。

不同密度泛函计算误差在15 kcal/mol左右，但新方法将这一误差降到2.1 kcal/mol，迈入实验测量均方差的3 kcal/mol 误差——也就是说，算出来的和实验测量的，不可区分。

从更大视角上看， AI4S若能在化学材料领域实现规模化、产业化，不仅能推动高效、低成本的高效能催化材料研发，还能大大提升能源使用效率，加快温室气体转化，顺应当下碳中和趋势。

“ 90% 以上的工业产品都需要催化材料参与，35%的全球 GDP 都与催化反应有关。”贾皓钧介绍。

贾皓钧指出，“双碳”背景下，提升能源利用效率是实现碳中和的关键。例如，仅合成氨的生产每年就消耗全球 1%至2% 的能源，同时贡献了3%的碳排。“通过催化剂的改进，即使只提升（合成氨）1% 的转化效率，就能产生数十亿美元的经济效益，降本增效的同时减少碳排放。”

“通过AI4S的方法将合成氨效率提高5%，就是我心中独属于化学材料领域的 ChatGPT 时刻。”段辰儒认为，通过AI4S的方法，未来一定能实现更多化学材料的落地。

目前，深度原理团队仍处于产品早期研发阶段。团队计划先从化学材料切入市场，以 AI+CRO（通过合同形式为研发过程提供专业化服务）为早期合作模式，先主要向客户交付早期实验结果及计算结果。此后，团队或将建设内部管线（材料研发从设计、试验到最终落地的过程）。

本轮融资后，资金将主要用于研发投入、团队招募及市场拓展。晶泰科技、深势科技提供的数据、算力及其他AI基础设施，将有效协助深度原理科技的研发工作。

线性资本合伙人曾颖哲表示：“一个基础化学反应由反应物、过渡态、生成物三者构成，其中过渡态对于理解化学反应机理尤为重要。深度原理科技团队将最新的生成式模型和密度泛函理论相结合，革命性地提升了对于过渡态计算的速度和精度，在全球范围内都处于领先位置。我们期待团队未来能解决催化剂发现靠化学直觉盲目摸索的行业痛点问题，通过计算指导实验，引领整个化学研发的范式的迭代。我们也非常高兴参与到这个激动人心的变革中，期待与公司一起，共同见证和开拓人类探索化学反应的新边界。”

文章来源于“陈斯达”