Foundation Model for Chemical Manufacturing
Yoneda Labs · Coding
Das Foundation Model for Chemical Manufacturing von Yoneda Labs sagt Bedingungen voraus, die die Ausbeute heben, und lernt aus den Daten Ihres eigenen Labors.
Über Foundation Model for Chemical Manufacturing
About
Was ist das Foundation Model for Chemical Manufacturing
Yoneda Labs baut ein Foundation Model for Chemical Manufacturing, und der Name sagt schon, worum es geht: Ein Modell, trainiert auf echten Laborexperimenten, nennt Ihnen Temperatur, Konzentration, Katalysator, Ligand, Base und Lösungsmittel, mit denen die gewünschte Verbindung tatsächlich entsteht.
Gegründet wurde das Unternehmen 2023 in San Francisco. Alle drei Gründer kommen von der Universität Cambridge, im April 2024 kam eine Seed-Runde über 4 Millionen Dollar unter Führung von Khosla Ventures dazu. Professor Scott E. Denmark berät das Team.
Das Problem ist alt und teuer. Chemiker übernehmen Bedingungen aus der Literatur, die fast nie das genaue Rezept nennt, und verlieren dann Wochen damit, eine Variable nach der anderen zu verschieben. Yoneda setzt eigene Daten dagegen: KI für die Chemie, gespeist aus Tausenden Hochdurchsatz-Experimenten, die einen Planer, der den nächsten Versuch auswählt.
Die Grenzen zählen genauso. Die Abdeckung stützt sich auf organische Umsetzungen, die das Team wirklich gefahren hat, eine seltene Reaktionsklasse fällt also auf normales Screening zurück. Es gibt keine öffentliche Preisliste und keine Selbstanmeldung, die Software kommt über Demo und Pilotprojekt ins Haus. Für eine kleine Arbeitsgruppe an der Universität lohnt sich das selten.
Erste Schritte
- Fordern Sie über die Website von Yoneda Labs eine Demo an und bringen Sie eine Reaktion mit, die bei Ihnen hängt. Das Team klärt, ob die Software reicht oder eine Laborkampagne nötig ist.
- Laden Sie vorhandene Versuchsdaten hoch, oder starten Sie mit einem neuen Substrat, wenn noch keine Daten vorliegen.
- Legen Sie fest, welche Größen Ihr Equipment wirklich verändern kann: Temperatur, Lösungsmittel, Ligand, Base und Katalysatorbeladung.
- Prüfen Sie den vorgeschlagenen Versuchsblock und fahren Sie ihn am eigenen Abzug oder geben Sie ihn an das Hochdurchsatzlabor von Yoneda.
- Tragen Sie die Ausbeuten wieder ein. Das Modell aktualisiert sich und schlägt eine kleinere zweite Runde vor.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Foundation Model for Chemical Manufacturing.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Medizinische Chemiker
- Teams aus der Prozesschemie
- CRO- und CDMO-Gruppen
Aufgaben
- Eine schwache Kreuzkupplung retten
- Zwischen Routen entscheiden
- Eine Bibliothek auf allgemeinen Bedingungen aufbauen
- Bedingungen Richtung Produktion schieben
Szenarien
- Ein wöchentlicher Optimierungszyklus ohne eigene Automatisierung
- Frühe Routenwahl in einer neuen chemischen Reihe
- Ein Team ohne eigene Hochdurchsatzgruppe
Wichtigste Funktionen
Vorhersage der Reaktionsausbeute
Sie geben ein Substratpaar ein, und das Modell sagt Reaktionsbedingungen voraus und sortiert die Bedingungssätze nach erwarteter Ausbeute, bevor ein Kolben angefasst wird. Die Rangfolge stammt aus Zehntausenden eigenen Versuchen, überwiegend zur Übergangsmetallkatalyse. In einer Zusammenarbeit mit dem Auftragsforscher Symeres aus dem Jahr 2025 brachten die empfohlenen Bedingungen eine Kreuzkupplung von rund 30 Prozent auf über 90 Prozent Ausbeute in situ.
Bayes'sche Versuchsplanung
Jede Runde wird so gewählt, dass das Modell möglichst viel lernt. Die bayes'sche Optimierung steckt etwas Aufwand in unerforschte Bedingungen und den Rest in aussichtsreiche, deshalb steht eine brauchbare Zahl oft nach zwei oder drei Runden. Symeres meldete vier verschiedene Bedingungen über 90 Prozent, gefunden schneller als mit der üblichen Ein-Faktor- oder DoE-Reihe.
Software, die vom eigenen Abzug lernt
Die Yoneda-App, also die Software zur Reaktionsoptimierung, braucht keinen vollständigen Datenbestand zum Start. Sie nimmt auf, was Ihre Chemiker ohnehin erzeugen, und das Modell wird mit dem Projektverlauf schärfer. Eine Gruppe mit zwanzig Reaktionen pro Woche hat am Ende ein privates Modell ihrer eigenen Chemie.
Offline-Betrieb für sensible Daten
Pharmafirmen schieben ihre Strukturen nicht in eine Cloud, die sie nicht kontrollieren. Die App läuft vollständig offline auf dem Rechner des Chemikers, die eigenen Algorithmen bleiben dort. Genau dieser Punkt bringt einen Piloten oft durch die Prüfung der Informationssicherheit.
Hochdurchsatz-Dienstleistungen im Labor
Yoneda betreibt ein eigenes Labor: Glovebox-Chemie unter Inertgas, automatisierte Fest- und Flüssigdosierung, dazu LC-MS, NMR und präparative HPLC im Haus. Wer keine Automatisierung aufbauen will, gibt eine Kampagne ab und erhält gereinigte Verbindungen oder eine Bedingungstabelle zurück. Das Labor versorgt zugleich das Modell mit Daten.
Routenscouting und Bibliotheksarbeit
Retrosynthese-Werkzeuge liefern fünf plausible Diskonnektionen ohne belastbare Rangfolge. Yoneda fährt die Kandidaten mit echtem Material gegeneinander und sagt, welche den Abzug übersteht. Dasselbe Team übernimmt die Bibliotheksfreischaltung, bei der eine repräsentative Substratbreite zu wenigen allgemeinen Bedingungen wird, und die komplette Synthese mit Reinigung.
Vor- und Nachteile
Vorteile
- Empfehlungen kommen als kurze Versuchsliste, nicht als 500-Well-Platte zum Entschlüsseln.
- Die Ausbeute bewegt sich in Wochen: Die Kreuzkupplung bei Symeres lief von rund 30 auf über 90 Prozent.
- Die Software arbeitet mit Daten, die Ihnen schon gehören, und das Modell kann auf Ihrer Maschine bleiben.
- Dank eigenem Labor können Sie das Screening auslagern, statt Robotik zu kaufen.
- Auch mittlere Prozessteams ohne eigene Hochdurchsatzgruppe kommen damit zurecht.
Nachteile
- Die Reaktionsabdeckung bleibt schmal gegenüber den über 10 Millionen Verbindungen pro Jahr, ungewöhnliche Chemie braucht weiter manuelles Screening.
- Ohne öffentliche Preise und ohne Selbsttest beginnt jede Prüfung mit einem Verkaufsgespräch.
- Eine dokumentierte öffentliche API fehlt, was Teams ausbremst, die das Modell in ihr elektronisches Laborjournal holen wollen.
- Vorhersagen stammen aus kleinen Platten, Mischung, Wärmetransport und andere Scale-up-Probleme bleiben bei Ihren Ingenieuren.
Häufige Fragen
Es sagt Reaktionsergebnisse voraus. Für ein Substratpaar sortiert es Kombinationen aus Temperatur, Konzentration, Katalysator, Ligand, Base und Lösungsmittel nach erwarteter Ausbeute und wählt die nächsten Versuche, die am meisten bringen.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Foundation Model for Chemical Manufacturing.
Alternativen zu Foundation Model for Chemical Manufacturing
Base Code
Base44 (Wix) · Coding · ProduktivitätBase Code ist eine geteilte Cloud-Entwicklungsumgebung von Base44. Das Team beschreibt Änderungen an einem bestehenden GitHub-Repository im Chat, prüft sie in der Vorschau und reicht sie als Pull Request ein.
Google EmbeddingGemma 2
Google DeepMind · Schreiben · Bilder · CodingGoogle EmbeddingGemma 2 ist ein offenes Modell mit 740 Millionen Parametern, das Text, Code, Bilder, Audio und Videobilder in Vektoren eines gemeinsamen 768-dimensionalen Raums umwandelt und auf Handys und Notebooks läuft.
GitGlow
GitGlow · Coding · ProduktivitätGitGlow ist ein Git-Client für den Desktop, der Ihren Code und die Änderungen Ihrer KI-Agenten in einer Review bündelt, damit Sie vor dem Ausliefern sehen, was die Maschine verlässt.