我们自主研发了色彩数据分类技术，用于构建着色剂的定制化特征数据集。

这一技术结合支持向量机的边界划分能力和扩散模型的生成能力，实现了对颜色差异的精确预测，并且能够迅速根据目标CIE Lab颜色空间推荐出精准的固体树脂颜料搭配配方，确保产品色差严格符合行业标准。

在环氧树脂胶黏剂研发的早期阶段，通过机器学习和自研的N Choose K算法策略，根据目标性能要求，精准推荐实验组合。

N Choose K（二项式系数）算法是指从多个候选成分中选择最佳组合的组合优化问题。本项目通过这套算法策略识别关键的配方参数并预测不同组合的性能，从而快速锁定目标性能参数。

在新能源领域，基于多种多目标优化策略，如改进型非支配排序遗传算法等，加速电解液配方的优化并在多个维度上突破了历史实验数据中的性能极限。

此外，采用了先进的迁移学习策略，通过特征匹配策略方法实现不同电池体系之间的知识迁移。在极端体系中，只存在几组初始实验，仍能推荐出目标配方。

在追求绿色、可持续的化妆品配方研发中，通过优化天然成分组合，复现并超越传统石油基成分的性能。

针对化妆品多样化的感官和物化参数，以及初始单组分数据集的局限性，采用了自适应迭代的实验设计算法模型。这一先进方法在极短时间内精准的探索和优化天然成本的复杂相互作用，为化妆品行业带来了革命性的绿色解决方案。

在轮毂制造的冷却工艺中，针对于多设备及多参数的复杂性，通过自研的工艺参数归一化技术，关联实现将真实场景与正交仿真模拟数据进行关联，并得出参数与温度变化之间的模型。

该模型结合了卷积神经网络及双向长短时记忆网络(Bi-LSTM)，以自适应提取深层时序特征，并引入时间注意力机制来预测关键工艺参数变化对于最终性能的影响

在高性能铝合金项目中，对于数据量极少且缺失较多的初始历史数据，通过自研的稀疏数据处理方法，结合物理化学属性，拓展特征集，结合热动力学模拟与神经网络架构，识别微观结构参数的复杂交互作用，从而预测和优化合金性能。

新材料同时具有高强度和高延展性，达成了材料性能的突破性优化。