AI4S落地催化研发！依托MaXFlow平台化能力，加氢裂化催化剂研发实现 “搭建 - 优化 - 验证” 全流程闭环。

上午九点，一位加氢裂化催化剂研发人员打开实验记录。桌面上，是一张已经密密麻麻的实验设计表。

图 | 一个催化剂配方，背后是“分子筛 × 金属 × 工艺”的多维变量组合

左边是分子筛：硅铝比、孔结构、介孔比例、酸性位点……中间是金属：金属种类、负载量、分散状态……右边则是工艺：浸渍条件、焙烧温度、焙烧时间、硫化条件……每一个变量，都可能影响最终的催化性能。

问题在于：如果每个变量只设置几个水平，组合数量会迅速膨胀。而每一个候选配方背后，都不是 Excel 里的一个单元格——它意味着一次催化剂制备、一次焙烧、一次硫化、一次高压评价、一组产物分析，以及数天甚至更长的实验周期。

所以，催化剂研发真正面对的问题，很多时候并不是“有没有一个更好的配方？”，而是——“面对这么多可能的配方，我应该先做哪几个？”

这正是高通量虚拟筛选与机器学习真正有价值的地方，也正是创腾科技 MaXFlow 分子模拟与人工智能平台想要回答的问题。

一、真实科研案例：加氢裂化分子筛机器学习研究的三幕剧

Wang、Ma 等人针对 Y 型分子筛加氢裂化体系开展研究，分别采用人工神经网络（ANN）、随机森林（Random Forest）算法，完成了从数据集构建、模型训练、构效解析到候选预测、实验校验的完整研究。整套工作，可以拆解为“搭建—优化—验证”三幕。

第一幕｜搭建：归集多维实验信息，构建结构-性能数据集。整套机器学习工作的根基，是高质量的实验数据集。Wang 团队制备 15 种物性差异化的 Y 型分子筛，完成全套物化表征，获取晶胞参数、孔道、酸性等关键参数；制备对应的 NiMo/Al2O3-Y 催化剂，开展四氢萘加氢裂化高压评价，拿到转化率、BTX 选择性等性能数据。Ma 等人的研究沿用同类思路，采集不同 Y 分子筛的晶胞参数、微孔/介孔体积、酸含量、B/L 比值，结合反应温度，搭配 n-C10 加氢裂化活性评价结果，整理形成输入特征与催化性能一一对应的数据集。

第二幕｜优化：机器学习建模，挖掘构效内在关联。数据集就绪之后，进入模型训练与规律挖掘阶段。Wang 等人采用人工神经网络 ANN，基于分子筛物性数据集训练模型，解析介孔、微孔、总酸量对转化率、BTX 选择性的影响，挖掘多参数耦合下的构效关系。Ma 等人选用随机森林，以分子筛各类结构参数、反应条件作为输入，n-C10 转化率、产物分布作为输出完成模型训练，解析不同特征对催化结果的贡献度。

第三幕｜验证：预测全新候选，回归实验完成校验。仅仅复盘、解释已有实验远远不够，科研的最终目标是指导全新配方研发。Ma 等人利用训练完成的随机森林模型，预测一批未开展实验的全新 Y 型分子筛候选；合成对应催化剂，开展 n-C10 加氢裂化评价，实测结果与模型预测具备较好一致性。这一步划定了科研底线：机器学习预测不能代替实验，所有模型输出的候选，必须经过“合成-高压评价”完成真实校验；而新获得的实验数据，还可以补充进数据集，支撑下一轮模型迭代。

这套“搭建—优化—验证”的逻辑，正是 MaXFlow 为催化剂研发沉淀下来的标准范式。

二、光环背后：机器学习落地催化剂研发的四大痛点

仔细梳理这两项研究可以发现，机器学习的价值并不只是“训练一个模型、预测一个结果”，它贯穿了数据获取、特征构建、模型训练、候选预测与实验验证的完整链条。但在真实科研项目中，问题往往恰恰发生在这些环节之间：

1“脚本跟着人走”

数据清洗、特征工程、模型训练、候选筛选……科研人员往往需要针对具体课题编写一套套 Python 脚本。项目结束后，这些代码可能就停留在个人电脑、项目文件夹甚至聊天记录中。换一个催化剂体系、换一批数据，原有代码往往还要重新修改、调试。一次研究积累下来的方法和经验，很难真正沉淀为团队可以持续复用的研发能力。

2“数据在流程中反复搬运”

从原始数据整理、特征筛选，到模型输出、候选结果汇总，很多环节仍然依赖 Excel、手工复制和文件之间的反复转换。参数抄写、样本错配、版本混乱等看似微小的问题，都可能进一步影响构效关系分析和候选材料筛选。当研发流程越来越复杂，“数据处理”本身就会成为研发效率的瓶颈。

3“数据做完了，却没有真正沉淀下来”

表征数据、工艺参数、模拟结果和催化评价数据，往往分散在实验记录、个人 Excel 和不同脚本的输出文件中。一次实验产生的新数据，很难自动回流到已有数据集中。于是模型训练变成不断重复的过程：找数据 → 整理数据 → 改脚本 → 重新训练 → 导出结果。实验做得越多，理论上数据资产越丰富；但如果缺乏统一的数据管理和回流机制，这些数据就很难真正转化为下一轮研发的“燃料”。

4“机器学习能力掌握在少数人手里”

当研发流程高度依赖 Python 脚本时，会编程的人负责数据处理和模型分析，而负责分子筛合成、催化评价的科研人员往往只能通过“提需求”的方式使用模型。想筛选一批新候选，需要找人改代码；想更换一组特征，需要重新调整流程；想把实验结果加入模型，又需要重新整理数据。久而久之，机器学习就容易成为少数人的“专属工具”，而不是整个研发团队都可以调用的基础能力。

ChemDraw、Origin 以及 Python 脚本生态，解决的是“如何把一次分析做好”的问题。而进入企业研发场景之后，问题开始发生变化：企业面对的并不是一个课题、一次模型训练，而是持续的新材料开发、持续的实验验证和持续的数据积累。真正需要解决的，不只是“这一次模型能不能跑起来”，而是——这套研发逻辑能不能复用？新的数据能不能持续进入？不同角色能不能共同使用？实验结果能不能反过来推动模型迭代？

机器学习需要从“一个模型”走向“一个流程”，再从“一个流程”走向“一个可持续运行的研发体系”——这正是 MaXFlow 要解决的问题。

三、MaXFlow：把“搭建-优化-验证”搬进一个平台

MaXFlow 是创腾科技自主研发的新一代分子模拟与人工智能创新平台，面向所有一线创新的实验科学家、分子模拟与人工智能专家，涵盖创新发现和工艺研发等多个研发领域。平台基于浏览器-服务器（Browser-Server）架构，融合分子模拟、人工智能和新一代工作流技术，可对海量的材料数据进行挖掘和可视化分析，从中提取、总结材料的成分、工艺、结构和性能的关系，实现知识共享，有力促进新材料、新工艺的研发设计。

✓ 一个实现了算法自由、算力自由的平台

✓ 一个可真正实现数据赋能业务的平台

✓ 一个可按需获取多数据源数据、构建机器学习预测模型的平台

✓ 一个可以无门槛进行知识封装和知识共享的平台

图 | MaXFlow 平台的“工作台”

搭建｜数据不再四处搬运，实验数据自动回流

针对“数据反复搬运、无法沉淀”的痛点，MaXFlow 平台链接科学数据基因组平台 SDH，可按需抽提所需数据，为材料领域消除科研数据壁垒，打通科研业务间的科学数据通路，实现数据资产的整合与共享。每一次实验产生的新数据，都能回流到统一的数据底座中，成为下一轮模型迭代的“燃料”——数据不再是散落的文件，而是持续增值的研发资产。

图 | 三大平台成功打破数据壁垒，实现全面互联互通

优化｜拖拽之间完成建模，脚本经验沉淀为团队流程

针对“脚本跟着人走”的痛点，MaXFlow 的可视化高通量工作流引擎将各类算法封装为组件：拖拽即可搭建流程，自动化完成分子模拟、AI 建模、实验设计等复杂多步骤任务；支持自定义组件，构建可复用的计算流水线。曾经停留在个人电脑里的脚本，从此变成整个团队可以复用、持续迭代的标准研发流程。

图 | MaXFlow 工作流编辑页面：算法组件化、流程可视化

沉淀｜APP 资源广场：让 AI 能力人人可用

针对“能力掌握在少数人手里”的痛点，MaXFlow 独有的“APP 发布”功能可将复杂、繁琐的建模、分子模拟及多算法融合流程，封装为更易操作的自动化应用（APPs），发布到“APP 资源广场”，在小组、组织内共享。平台设置组织管理员（ADMO）、部门管理员（ADMD）、实验科学家（LS）、模拟与数据科学家（SDS）四类角色权限：算法专家搭建并发布模型，实验人员无需编写脚本即可调用仿真与 AI 能力，搭建各类材料的微观结构、建立高通量虚拟筛选库、快速预测和分析材料物化性质。机器学习，从少数人的“专属工具”，变成整个研发团队的基础能力。

图 | MaXFlow 平台的“APP 资源广场”

>> 想了解更多场景解决方案，登录创腾科技官www.neotrident.com立即体验