📢 转载信息
原文作者：Microsoft Research
材料设计是推动从纳米电子学到能源存储等广泛技术进步的基础。然而，新型材料的研发周期依然漫长且昂贵。通用机器学习原子间势模型旨在通过为各种材料提供准确的稳定性和属性预测，来加速材料设计进程。这些模型比传统的“第一性原理”模拟快几个数量级，将原本不切实际的问题转变为可以在几小时内完成的常规计算。
概览
- 实验验证：利用 MatterSim-v1 进行高通量筛选，成功鉴定出四方晶系钽磷（TaP）作为一种潜在的高性能热导体，并经实验合成测量其热导率达 152 W/m/K，接近硅的水平。
- 更快的模拟：我们将 MatterSim-v1 模型推理速度提升了 3-5 倍，并将其集成到 LAMMPS 软件包中，支持跨多个 GPU 的大规模模拟。
- 新模型发布：推出 MatterSim-MT，这是一种用于计算机材料表征的多任务基础模型，能够模拟比单纯势能面所能捕捉到的更为复杂的现象。
实验验证
高热导率材料在热管理中起着关键作用。我们与得克萨斯大学达拉斯分校（UT Dallas）、伊利诺伊大学厄巴纳-香槟分校（UIUC）及加州大学戴维斯分校（UC Davis）合作，利用 MatterSim-v1 筛选了超过 24 万种候选材料。基于计算预测，我们识别并成功合成了四方晶系钽磷（TaP）。这不仅验证了 MatterSim 在预测复杂热学属性上的能力，也展示了其在发现新型功能材料方面的巨大潜力。
“MatterSim 产生了迄今为止最大的计算热导率数据库，这为探索比以往更广阔的材料空间打开了大门。”
– Bing Lv 教授，得克萨斯大学达拉斯分校
性能提升
我们通过改进图结构构建、提前编译以及减少原子表征间的转换，显著提升了模型推理效率，其中 500 万参数版本（MatterSim-v1.0.0-5M）速度提升 3 倍，100 万参数版本（MatterSim-v1.0.0-1M）提升 5 倍。此外，集成至 LAMMPS 后，用户可以更轻松地在现有工作流中进行大规模部署。
新模型发布：MatterSim-MT
MatterSim-MT 是我们在材料科学领域的最新突破，这是一个多任务基础模型，在超过 3500 万个第一性原理标签结构上进行了预训练，涵盖 89 种元素、高达 5000 K 的温度和 1000 GPa 的压力。该模型不仅能预测能量、力和应力，还能通过多任务架构捕捉复杂的材料现象，如振动光谱、铁电切换和电化学氧化还原过程，而无需针对特定任务进行微调。
这些进展标志着 AI 在材料设计领域正从单纯的计算筛选向更具决策价值的科学工作流转变。我们期待科学界利用这些工具，加速发现并创造出平衡性能、丰度和环境稳定性的下一代功能材料。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区