微软研究院科学智能中心（Microsoft Research AI for Science）近日推出 MatterSim 模型，可以在广泛的元素、温度和压力规模内，精确高效地模仿质料和猜测功能，助力质料设想的数字化转型。新质料探索对纳米电子学、能量储存和医疗健康等多个领域的技巧进步至关重要。质料设想中的一个核心难点是如何在不举行实际分解和测试的情况下猜测质料属性。由于新质料可能涉及元素周期表中 118 种元素的任意组合，且其分解和工作温度、压力规模极广，这些因素极大地影响了质料内部原子的相互作用，使得精确猜测质料属
微软研究院科学智能中心（Microsoft Research AI for Science）近日推出 MatterSim 模型，可以在广泛的元素、温度和压力规模内，精确高效地模仿质料和猜测功能，助力质料设想的数字化转型。
新质料探索对纳米电子学、能量储存和医疗健康等多个领域的技巧进步至关重要。质料设想中的一个核心难点是如何在不举行实际分解和测试的情况下猜测质料属性。
由于新质料可能涉及元素周期表中 118 种元素的任意组合，且其分解和工作温度、压力规模极广，这些因素极大地影响了质料内部原子的相互作用，使得精确猜测质料属性和行为模仿变得极为困难。
微软设想的 MatterSim 模型结合深度进修技巧，进修原子之间的相互作用，在绝对零度到 5000 开尔文、从标准大气压到一千万倍大气压规模内，模仿金属、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）等多种质料。
MatterSim 的训练过程使用了大规模的分解数据。为了获得这些训练数据，研究员们结合了主动进修、分子动力学模仿和生成模型等技巧，构建了高效的数据生成方案。
这种数据生成策略确保了模型对质料空间的广泛覆盖，使其可以以与第一性原理猜测相当的精确度，猜测质料在原子层面的能量、力和应力。
MatterSim 在举行邃密质料模仿、功能猜测时，可以降低 90%-97% 的数据需求量。通过 MatterSim 的定制化功能对该任务举行优化，MatterSim 只需要 3% 的原始数据，就能达到预期的实验精度模仿。
图 3：MatterSim 在举行邃密质料模仿、功能猜测时，可以降低 90%-97% 的数据需求量。
IT之家附上参考地址
MatterSim：人工智能解锁质料设想的无限可能