为了破解这一难题，微软研究院科学智能中央（Microsoft Research AI for Science）开拓了深度学习模型 MatterSim，能够在广泛的元素、温度和压力范围内实现准确高效的材料仿照与性子预测，为材料设计的数字化转型供应了强有力的支持。

新材料探索对纳米电子学、能量储存和医疗康健等多个领域的技能进步至关主要。
材料设计中的一个核心难点是如何在不进行实际合成和测试的情形下预测材料属性。
由于新材料可能涉及元素周期表中118种元素的任意组合，且其合成和事情温度、压力范围极广，这些成分极大地影响了材料内部原子的相互浸染，使得准确预测材料属性和行为仿照变得极为困难。

为此，微软研究院科学智能中央（Microsoft Research AI for Science）推出了 MatterSim 模型。
该模型将深度学习技能和大规模第一性事理打算相结合来学习原子之间的相互浸染，学习的材料空间从绝对零度到5000开尔文，从标准大气压到一千万倍大气压，能够高效处理多种材料的仿照，包括但不限于金属、氧化物、硫化物、卤化物及其不同状态（如晶体、非晶固体和液体）。
此外，MatterSim 还供应定制选项，可以通过整合下贱场景的数据来实行更为繁芜的预测任务。

MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures

https://arxiv.org/abs/2405.04967

图1：MatterSim 能够在广泛的温度、压力条件下，仿照金属、氧化物、硫化物、卤化物等各种材料的性子和行为。

全周期表、跨温度、跨压力的真实条件下的材料仿照

MatterSim 的演习过程利用了大规模的合成数据。
为了得到这些演习数据，研究员们结合了主动学习、分子动力学仿照和天生模型等技能，构建了高效的数据天生方案。
这种数据天生策略确保了模型对材料空间的广泛覆盖，使其能够以与第一性事理预测相称的准确度，预测材料在原子层面的能量、力和应力。

与当前的 SOTA 模型比较，MatterSim 在有限的温度和压力下对材料属性预测的准确度提高了10倍。
研究表明，MatterSim 能够准确仿照包括热力学、力学和运输特性在内的广泛材料属性。
值得一提的是，MatterSim 可以从头构建材料相图，为新材料的可合成性与合成条件供应辅导。

图2：MatterSim 预测属性与实验丈量结果的比较。
MatterSim 在预测材料的振动性子、机器性子和相图方面均达到了与第一性事理打算和实验丈量相称的精度。

定制化精调：用更少的演习数据达到实验精度的仿照

只管基于大量的合成数据集进行演习，MatterSim 可以通过整合额外的数据来知足特定的设计哀求。
MatterSim 能够利用主动学习和微调，定制化完成特定场合下高度繁芜的材料仿照和设计任务。

以物质打算领域的经典任务——液态水性子的仿照为例，这个任务看似大略，实际上却须要大量的打算。
通过 MatterSim 的定制化功能对该任务进行优化，MatterSim 只须要3%的原始数据，就能达到预期的实验精度仿照。
比较之下，用传统方法演习的专有机器学习模型，则须要供应30倍的资源，而第一性事理的方法则须要增加指数级的资源。

图3：MatterSim 在进行风雅材料仿照、性能预测时，能够降落90%-97%的数据需求量。

弥合股料微不雅观模型与宏不雅观属性间的鸿沟

从原子构造预测材料宏不雅观属性是一项繁芜的任务，对付目前基于统计力学的方法，如分子动力学，太过繁芜。
MatterSim 通过深度学习技能直接映射这些关系来办理这个问题。
研究员们为 MatterSim 专门设计了可以微调的适配器模块，可以直接从构造数据预测材料属性，避免了繁芜仿照的需求。
在著名的材料属性预测基准测试集 MatBench 上的基准测试中，MatterSim 的精确度有了显著提升，并优于所有针对特定属性的专有模型，展现了其直接从领域特天命据预测材料属性的强大能力。

开启人工智能赞助材料设计新篇章

MatterSim 为鲁棒且高效的材料仿照和性子预测供应了新的可能性，其与 Distributional Graphormer 等天生式人工智能技能和强化学习技能的结合，将有望彻底改变材料科学研究的理念与模式。
以 MatterSim、MatterGen 为代表的材料科学与人工智能模型，也将使定制化材料的开拓变得更加高效，运用范围更广，从半导体技能到生物医药工程等诸多领域都将从中受益。

未来，研究员们将连续推进 MatterSim 的实验验证，希望干系研究可以在面向可持续发展的催化剂设计、能源存储、纳米技能等领域发挥浸染，造福环球社会。

干系链接：

Distributional Graphormer：从分子构造预测到平衡分布预测

https://www.msra.cn/zh-cn/news/features/distributional-graphormer

MatterGen: Property-guided materials design

https://www.microsoft.com/en-us/research/blog/mattergen-property-guided-materials-design/

MatBench

https://matbench.materialsproject.org/