本帖最后由 泡泡媛 于 2023-9-20 18:39 编辑
看到业界这几年有不少公司在做计算材料学的工作，也有人还在纠结和犹豫，还是再来谈谈自己的看法吧。 我想还有一些人真的关心如何将计算有效地应用在工业生产中，改善现在及其小众的局面，虽然很艰难，市场很小也很难做，我觉得谈这个问题是非常有意义的。其实我之前的文章也写过了，造成计算岗位小众的外部原因就是材料方向侧重于实验，实验和理论割裂，学术界和工业界断层，各自有各自的侧重点，导致了很多人根本不知道有计算材料学这个方向。
我这篇文章会主要讲一讲计算自身的问题，计算方向能否跟工业接轨的重点就在于计算方向能否解决工业生产的关键问题——计算从微观到宏观层面的原理解释上能起多大程度的效果。最简单的检验方法就是先计算，按照计算得到的结果去做实验，最后得到想要的结果。
其实计算岗位小众最深层的原因出在计算方向本身上。计算没办法大规模达到工业可用的程度。在大部分材料体系中，一是计算的精度不太高，二是计算的体系太小。这两个问题限制了计算材料学发展的高度和广度。 计算材料学要想真正解决工业生产问题的重点就在于计算方向必须和实验方向绑定在一起，要深度的融合和交流，学计算的人要稍微懂一点实验和工艺，最简单的方法就是跟着实验的人一起泡在实验室，进行3-6个月的学习就可以了，不能如此的泾渭分明。长期的割裂会导致严重的信息不对称，结果就是计算方向并不知道实验、工业生产的难点和痛点，算出来的东西就很不接地气。包括工业软件的研发，必须要有对于实验的了解，深度的工业积淀才能做出实用性强的软件，实验是无论如何都绕不过去的。最典型的例子就是宏观仿真的工业软件巨头达索公司和西门子公司都是有非常深度的工业积淀，做工业软件自然就很成功，脱离了实验的计算软件，很容易就会做成高级的软件外包，再者面向企业的业务比面向消费者的业务有天然的劣势，市场相对来说更小也更难做。 包括最近很火的人工智能和计算的结合方向，一定不能忽略实验。需要有三批人一起推动，最好的模式是计算的人做主体，然后和人工智能、实验的人一起合作，无论将来计算的地位如何，目前来看这是最好的方式，后两者做主体都会忽略计算。 其实计算在工业生产中能发挥主要作用的地方就两点，一做出高精度大体系普遍性强的工业软件 二计算结合实验，减少工业生产推进困难的阻力，把其中涉及的原理搞清楚，工业软件是带动解释原理的，其实这两个方向做好是能创造出不少的就业岗位的。
一.工业软件 工业软件能否做好的重点就在于功能的全面性以及受众的普遍性。工业软件是一个前期开发投入大，但一旦做好会有很大的市场，先苦后甜的方向，这个市场可以放眼在全球。 其实研发人员最缺乏的视角就是用户的角度，很多时候更侧重于追求技术的卓越，科学研究的专精，而没有产品思维，以科学技术为依据的话，产品的开发顺序是基本上没有优先级的先后的，我认为集成多种计算方法的软件是非常值得开发的。不仅仅包括电子结构的计算，涉及到工业生产，解决的就不仅仅是材料本身的问题，还涉及到更复杂的器件和结构。 扩大受众普遍性的要点就在于要把用户的需求放在第一位，符合用户的使用习惯和舒适度的软件会非常的受欢迎。扩大普遍性的重点就在于要推广并不需要耗费很大计算资源的计算软件和方法，否则计算就只有大型公司能用的起。我觉得只有把普遍性做大，再去想能不能用更昂贵的更精准的方法去计算。 否则你就只能主攻高端计算软件的市场。 其实学术界常用的计算软件并非无懈可击，各有各的问题，所以我觉得国产软件只要能解决vasp、qe、cp2k，ms都蕴含的问题，那么就有国产软件的立足之地。我在工作和学习中最常用的软件是dmol3和ATK，这都是学术界非主流软件，所以你就想想这里面的断层有多严重吧。 我更看好线性标度，而且既能算准基态性质也能算准非平衡状态的软件。我觉得开源只是扩大和维护好计算生态的第一步，考虑到开发和维护的难度和持久性，我觉得商业化是必经之路，而且商业化也有会一定程度的推广效应。 而做出好的工业软件是计算方向能否做大的第一步，有了好的工业软件才会想到在生产中运用。现在的情况不是说工业生产不需要工业软件，而是现有的计算方法，计算软件能在业界起的效果比较小，所以一般在公司里就很少应用。我觉得目前在学术界使用的主流软件并不能满足工业生产的需求, 是因为这些软件研发的出发点是科学研究而不是工业应用。我当时做研发的时候调研了不少学术界常用的软件，结果发现根本用不了，想用半经验的方法，结果发现也没有好的可供使用的软件可以支持。很多学术研究所算的简单体系其实对于工业生产没啥帮助的。
二.计算结合实验解决原理问题 毕竟大部分人都是使用已有的工业软件去解决学术研究和工业生产中的问题，所以这个方向是相对来说更大众的。 计算结合实验解决原理的问题涉及到三个层面 一是利用计算分析成熟的材料的结构，算出实验不能测试的更微观的结构下的性能，尝试从微观的方向理解如何提升材料的性能。 二是利用计算分析工业生产中涉及到的更复杂的界面、缺陷，更复杂的化学反应下的状态，进行多种材料组成的器件的仿真，分析一些失效情况下的原因 三利用计算进行性能和结构预测，筛选并发现具有优秀性能的新材料和结构 这三个层面是逐层递进的，我觉得在工业界第一个方向都没有达到大众化，所以要一步步来，先会走才能跑，一口很难吃个胖子。先要把已有的成熟的材料、器件分析清楚，大幅度地提升工业生产的进度，才能再去想探索未知的材料、结构。 我觉得目前大部分的材料研究都过于偏重第三点，其实从企业来讲，只有10%-20%的时间是在进行新材料的探索，所以新材料的发现和结构预测并不是非常重要。再讲讲计算人员的占比吧，其实我是比较悲观的，哪怕计算方法可以达到工业可用的级别，除非是专门研发软件的组织会比较多，在一般的公司，我觉得5%-10%是比较正常的，其实10%都有点多，只有在特定的行业（例如航天航空、汽车、机械）可以达到差不多50%的比例，纯粹是因为研发周期太长、直接做实验成本比较高，所做的产品过于复杂过于庞大，所以需要计算先做设计工作。
三.目前业界的主要运营模式 1.以人工智能主导的公司 大部分都是由于人工智能的火爆，注意到计算，注意到自然科学的领域，都是不缺资金的一些巨头公司，虽然计算机的基础很深厚，但由于缺乏自然科学的基础，大部分的核心业务就是做一些人工智能的软件包和平台。研究领域过于宽泛，就如同之前被批判的我们国内的人工智能的研究院一样，确实可以出一些成果，但很容易沦为高级的软件外包，不过对于大多数人来说，可能是最好的选择。因为工作平台规范，工作环境舒适，薪资也相对比较可观。推进困难的关键点就是人工智能和自然科学交叉的重点其实是自然科学，没有实验的最终落地，其实是很难知道软件平台筛选的最终结果，也很难反映人工智能对于自然科学的作用。考察能否解决自然科学问题的要点其实是计算出来再去实验反复迭代不断改进的。还有一点是不知道计算物理、计算化学、计算材料学，大部分还是在做实验和人工智能的结合，所以获取数据困难数据质量差，研发周期长。 2.以计算主导的公司 主要以生物医药为主的公司居多，还有一些做工业软件的公司，但由于公司规模不大，占有的市场份额比较小，弊病是缺乏深度的工业积累，大部分可能都是做面向企业的业务，推进可能会相对缓慢，纯做工业软件的公司，同样由于缺乏对于实验的了解，做出的工业软件可能会比较难解决公司的痛点，所以最后大部分以做高校的业务为主。 3.以实验主导的公司 基本上都是制造业的一些公司，对于计算的积累比较浅，懂计算的人太少了，可能大部分的公司除了一些巨头以外，对于计算的认识都是完全空白的，所以现在进入公司应该就是处于开荒的模式。公司可能也比较缺乏一些好的程序员。 所以前面我也讲了，最好的模式需要三批人去一起推动才能成功，关键是看人工智能的人和做计算的人愿不愿意去碰制造业这个非常需要改进、需要引进先进的科学技术去改善落后局面的行业了。现在看来大部分的公司都非常注重生物和医药，材料和物理很少有人愿意碰，也就出现了我们还是在跟着谷歌的AlphaFold 2在走。从2016年人工智能技术火爆以来，其实现在已经过去6年了，从2011年提出材料基因工程这个名词以来，已经过去11年了。我也真心希望我们国家的科研能不再跟着别人走，真正做出一些实际的成果出来去改善我们真正应该改善的产业。
四.关于创建跨界合作和互利共赢的组织 想要推动计算的进步，跨学科团队的交流大概率是一个非常重要的问题，缺乏各自学科的基础知识大概是一道鸿沟，我想到的办法就是向下兼容，把相互沟通的对象当成是没有任何专业背景的初学者去交流，不涉及过于高深的专业术语，把一些基础知识揉碎了讲，其实就非常类似做科普的过程。 当下为什么会流行宇宙的尽头是编制的这句话，从组织的角度来讲，在我们国家体制外还并未产生很多让顶尖人才前赴后继的创新型组织。 我觉得想要创造出蕴含科技力量的产品，前提是要构建一个有氛围的组织环境，无论是研究院的形式还是公司的形式，我都真心的希望计算能成功地打入工业界，而不是继续在学术界内卷。我觉得对于创新型组织最重要的几个原则是： 1.有非常明确的组织的定位，计算并不缺研究性过强的机构，真正缺的是以工业应用为主的组织，管理层一定要有经历过量产的工业界的人去把关，不能脱离实验，否则很容易就偏离研发重心。学术研究氛围过于严重并不是件好事情。 2.聚焦主要的应用领域，主攻一个方向做到顶尖，再去拓宽领域。业界出色的公司都是由一个非常细的方向入手做大了再去扩展的，计算领域从自然科学的角度来讲，涉及物理、化学、生物。从工程学的角度来讲，可以扩展到航天航空、机械、化工、材料、医药，消费电子、汽车每个领域都足够出一个行业巨头了。 3.做好时间的规划和计划，如果希望五到十年能够推进成果的落地深入，最好能以终为始，把大的宏观的目标拆解落实到每一年的年度规划和计划，确保一个组织是一直在向前走的，学术研究的最大弊病就是用接近无限的时间去做一个非常宽泛的课题，导致了大部分人对于时间节点的把控并不是非常敏感。 4.重视人才的招聘，确保人才选拔的多样性，不拘一格降人才，不要用学历和学校卡死一个人，还是更多的看能力，不要只聘用聪明人，最优秀的人才并不像我们预料的一般都来自最好的学校，想要招聘到最非凡的员工，就要彻底改变传统的思维模式。地球上最有才华的一批人最需要的就是激励人心的抱负，而领导者就是创造出这样的目标。 虽然很多伟大的时代都是新科技引领的，但对于一个团队、一个组织、一个公司，不能仅仅考虑技术，需要多多重视管理，这是很多做技术出身的管理者的巨大盲区。
| 
发表于 Post on 2023-9-20 21:38:52
收藏 Add to favorites
楼主 Author