人工智能（AI）和机器学习（机器学习（ML） , ML）常被宣传为材料设计与发现的“一键式”解决方案，但若缺乏严谨的理论基础，它们便毫无价值。尽管当前的人工智能革命带来了前所未有的速度和可能性，但人类的专业知识仍是确保复杂方法先导化合物 能产生重大影响的关键要素。真正的创新发生在基于物理理论 模拟 、AI/ML与人类专业知识的交汇点上。欢迎加入我们，共同探索Schrödinger的领域专家如何整合这三大支柱，以优化材料优化 。 

我们将探讨如何超越炒作，应用能够带来切实商业成果的数字化学策略。我们将介绍Schrödinger的材料科学平台，并分享来自多个行业和应用领域的高影响力案例研究，涵盖范围从小分子到配方，从电子产品到工业领域。此外，还将介绍近期取得的进展，例如器件级机器学习以及前沿的机器学习（ML） 力场（MLFF）架构。 

主要学习目标：

• 为什么基于物理理论 建模对于补充AI/ML预测至关重要
• 在各行各业中，数字化学已将新药发现周期从数年缩短至数月，以下是其实际应用案例
• 我们由专家主导的支持服务如何确保建模新手和资深人士都能取得项目成功

适合哪些人参加：

• 研发负责人 
• 创新经理 
• 数字化经理
• 合成化学家
• 材料科学家
• 化学工程师
• 材料研究工程师
• 计算化学家
• 计算材料科学家