今天，Mira内测开启（可通过扫描文章末尾二维码申请），让生成式AI + 第一性原理从“前沿科技”走向“产业日常”，让每一位研发人员都能借助智能体的力量，实现更高效、更智能的研发范式，共同开启化学材料研发的新纪元。

下面一起看看Mira如何实现这一目标——

• 使用部门

• 研发挑战

• Mira任务执行

Mira调研对比了多种共晶预测模型，推荐使用DeepCocrystal（一个基于近8000条真实实验数据训练的图神经网络模型）进行批量预测。

得到用户确认后，Mira一键完成文件准备、模型加载、环境配置、编码运行、结果解析。仅用几分钟，完成了对88个可能的候选分子的虚拟筛选，并结合计算验证，生成最终的实验推荐清单。

• Mira使用效果

Mira推荐出20个高可行性配体。经实验验证，形成共晶的成功率从63%提升至95%，实验数量减少77%。让共晶筛选从“盲试”走向“精准推荐”，显著加速研发进程。

• 使用部门

含氟化学品生产企业｜研发中心

• 研发挑战

PFAS（全氟和多氟烷基物质）因极高稳定性被称为“永久化学品”，已成为全球水环境治理的难题。以全氟辛酸（PFOA）为例，传统实验难以追踪其反应中间过程。研发中心亟需一种可系统预测降解路径的方法，为绿色处理工艺提供科学依据。

• Mira任务执行

Mira通过智能追问，引导研发人员明确计算目标及条件——包括温度、压力、溶剂等关键参数，推荐出适用的量子化学计算方法。

Mira自动编排和调用专业计算化学工具链，依次完成结构生成、几何优化、频率分析与热力学计算。

• Mira使用效果

仅用十余分钟的全自动运行，Mira输出了精确的键解离能和吉布斯自由能，精准预测出关键断键路径。让原本“实验无法直接看到”的反应过程可视化、可量化、可验证，显著缩短机理研究周期。

• 使用部门

特种材料企业｜聚氨酯配方研发中心

• 研发挑战

玻璃化转变温度Tg，决定聚氨酯的力学性能与适用温度，是配方设计的关键指标。传统正交试验周期长且难以总结规律。 研发团队希望借助AI模型，在有限数据下快速找到满足特定温度性能要求的配方，用于指导后续材料优化。

• Mira任务执行

Mira首先利用基础原料信息建立基准模型，取得了不错的预测效果。

为进一步提升模型性能，Mira自动计算了更丰富的化学描述符——包括官能团特征、分子拓扑形状及电子性质等，并通过算法筛选出最具影响力的特征进行建模与参数优化。预测准确性提升近20%，同时Mira利用模型的可解释性，清晰揭示出影响Tg的关键分子特征。

Mira利用训练好的模型，在所有可行配方空间中进行预测，快速锁定一个性能预测结果最接近目标的候选配方。经验证，与实验结果高度一致。

• Mira使用效果

Mira让传统依赖经验的配方研发实现智能化与自动化，仅凭少量实验数据就构建出高精度可解释模型。研发人员无需复杂编程或算法经验，即可实现材料性能的精准预测与科学设计，显著加速新材料开发周期。

多智能体分工协作，面向深度调研、科学计算、机器学习等专业任务，打通计划→执行→报告的工作链路。

Mira结合用户研发背景与需求，智能拆解并分配任务给专用智能体，以最专业的方式实现价值与结果交付。

ReactiveAI平台的六大模块，整合扩散模型、图神经网络、推荐算法等前沿技术，结合高通量实验平台，实现“生成 → 筛选 → 合成”的研发链路闭环。 

Mira深度整合这些核心模块，通过自然语言交互解决问题：用户提出问题，即获得可执行路径与可验证结果，Agent灵活调度平台能力并执行任务，做到开箱即用。

基于严格定义的接口协议和积木化工程能力，Mira能够自主编排多种工具和检索调用数据，把信息资产转变为直接可用的生产力，实现标准化、自动化、规模化。

03

Mira内测申请通道

如果你是来自 

营养日化/基础化工/精细化工/新材料/新能源

等化学材料行业的研发或数字化团队，

想要通过AI来进行

分子筛选、反应预测、配方优化等关键任务，

欢迎申请内测，成为首批用户，共创行业标杆案例。