随着全球环境保护压力的日趋增大，新能源汽车得到了极大的关注。动力电池技术是新能源电动汽车最重要、最具竞争力的核心技术。MatCloud+针对电解液成分多样化的特点，为国内某世界500强公司的新能源研究院提供了一种智能化电解液研发模式：通过“高通量结构建模”智能生成不同成分电解液成分的近千个候选结构，基于高通量计算进行自动化筛选，并与机器学习相结合建立“电解液成分设计-性质计算-结果统计分析-新成分预测”的集成式新材料研发模式。

芯片材料光刻胶在芯片生产中有着举足轻重的作用。国内某著名集成电路研发公司在进行光刻胶的研发过程中随着公司人员、部门和实验任务越来越多，数据收集及数据应用的一些弊端日益凸显。针对用户面临的问题，迈高科技根据企业研发特点为其实现材料专用数据库构建、管理与挖掘系统，助力企业完成智能化转型与升级，实现由实验驱动、经验驱动向数据驱动、智能驱动的创新模式的转变，为管理者提供科学的决策指导，加速光刻胶的研发。

目前90%以上电池负极材料是层状二维材料石墨，实验设计新材料成本高、耗时长；而传统计算则需手动建模、调参、结果后处理等繁琐操作。北京大学与MatCloud+合作,开发了一套高通量、自动化筛选离子电池负极材料的计算流程。“1”个工作流即可得到电池中碱金属离子的迁移势垒，吸附性能，开路电压和比容量等结果，将传统的120次人工操作降低为10次， 人工干预减少了90%左右。研究成果分别在(Nanoscale, 2021, 13(29):12521-12533)和Electrochimica（Electrochimica Acta 346 (2020) 136244）期刊上成功发表。

《计算材料学》课程内容涉及大量抽象概念及数学运算，学生理解较为困难；且传统的理论教学模式让学生感觉枯燥乏味，难以跟上教学进度。 东北大学与MatCloud+平台合作，打破传统教学模式，对实验教学环节进行改革，将原有以编程为主的上机实验改成图形界面化的“材料数据+智能计算”环节。教师可远程开展系列上机实验，充实理论教学内容，提高学生的团队协作、自主学习、动手实践、科研分析等多项能力，满足“新工科”建设对于人才培养的要求。

某光电A股上市企业为了应对量子点材料存在色差的问题，通过大量实验试错未能有效解决，拟采用智能化手段挖掘数据规律指导实验合成，但实验数据复用性差，挖掘工作困难重重。经过慎重评估，最终选择北京迈高材云科技有限公司推动项目高效进行。项目采用了MatCloud+人工智能与Matfusion数据库结合的方案，快速整合碎片化实验数据形成专业数据库，AI自动训练并形成预测报告，生产成本降低20%，企业研发周期缩短70%。