Microsoft Research: MatterSim eksperimentalno sintetizirao TaP s 152 W/m/K, MatterSim-MT proširuje izlaz izvan PES-a

Microsoft Research je 12. svibnja 2026. objavio rezultate MatterSim foundation modela za znanost o materijalima — uključujući eksperimentalnu validaciju AI predikcije, 3-5× ubrzanu inferenciju i novi multi-task MatterSim-MT model koji izlazi izvan klasičnih potential energy surface (PES) ograničenja.

Što je MatterSim eksperimentalno potvrdio?

MatterSim-v1 model je iz korpusa preko 240.000 materijalnih kandidata identificirao tetragonalni TaP (tantal fosfid) kao potencijalno visoko termalno provodljiv. Microsoft tim je TaP sintetizirao i u laboratoriju izmjerio termalnu provodljivost od 152 W/m/K, što je blizu performansi silicija. To je prva identifikacija TaP-a kao termalnog provodnika kroz AI-driven materials screening i validira ML predikcije u stvarnom otkriću materijala.

Jedan suradnik na projektu rekao je da “možemo testirati konvencionalno razumijevanje što kontrolira termalnu provodljivost na velikoj skali” istovremeno otkrivajući funkcionalne materijale koje su znanstvenici previdjeli.

Koliko je inferencija postala brža?

MatterSim-v1 model dobio je dva ubrzanja: 3× za varijantu od 5M parametara i 5× za varijantu od 1M parametara. Integracija s LAMMPS softverom omogućuje multi-GPU skaliranje kroz postojeće znanstvene workflowe, što velike simulacije čini operativno isplativima u laboratorijima.

Koje izlaze nudi MatterSim-MT izvan PES-a?

MatterSim-MT je multi-task foundation model treniran na više od 35 milijuna first-principles struktura, kroz 89 elemenata, temperature do 5000K i tlakove do 1000 GPa. Klasični PES modeli predviđaju samo energije i sile; MatterSim-MT nativno izlazi i stress tensore, magnetske momente, Born effective charges i dielektrične matrice.

Microsoft je demonstrirao tri primjene: vibracijska spektroskopija predviđa fonon spektre u polarnim kristalima s LO-TO splittingom unutar 0.06 THz od ab initio kalkulacija; feroelektrično prebacivanje simulira polarizacijsku inverziju u barij titanatu pod električnim poljem; battery chemistry modelira katoničke-prema-anionskim redoks tranzicije u litij-manganovom oksidu bez task-specific treniranja.

Inicijativa pozicionira foundation modele kao alat koji znanost o materijalima podiže s eksperimentalnog na hibridni AI-eksperimentalni workflow.