5 月 15 日消息,，微軟研究院科學智能中心（Microsoft Research AI for Science）近日推出 MatterSim 模型,，能夠在廣泛的元素,、溫度和壓力范圍內(nèi)，準確高效地模擬材料和預測性能,，助力材料設計的數(shù)字化轉(zhuǎn)型。

新材料探索對納米電子學,、能量儲存和醫(yī)療健康等多個領域的技術進步至關重要,。材料設計中的一個核心難點是如何在不進行實際合成和測試的情況下預測材料屬性。

由于新材料可能涉及元素周期表中 118 種元素的任意組合,，且其合成和工作溫度,、壓力范圍極廣，這些因素極大地影響了材料內(nèi)部原子的相互作用，使得準確預測材料屬性和行為模擬變得極為困難,。

微軟設計的 MatterSim 模型結(jié)合深度學習技術,，學習原子之間的相互作用，在絕對零度到 5000 開爾文,、從標準大氣壓到一千萬倍大氣壓范圍內(nèi),，模擬金屬、氧化物,、硫化物,、鹵化物及其不同狀態(tài)（如晶體、非晶固體和液體）等多種材料,。

MatterSim 的訓練過程使用了大規(guī)模的合成數(shù)據(jù),。為了獲得這些訓練數(shù)據(jù)，研究員們結(jié)合了主動學習,、分子動力學模擬和生成模型等技術,，構建了高效的數(shù)據(jù)生成方案。

這種數(shù)據(jù)生成策略確保了模型對材料空間的廣泛覆蓋,，使其能夠以與第一性原理預測相當?shù)臏蚀_度,，預測材料在原子層面的能量、力和應力,。

MatterSim 在進行精細材料模擬,、性能預測時，能夠降低 90%-97% 的數(shù)據(jù)需求量,。通過 MatterSim 的定制化功能對該任務進行優(yōu)化,，MatterSim 只需要 3% 的原始數(shù)據(jù)，就能達到預期的實驗精度模擬,。