近期，Microsoft Research AI for Science團隊推出MatterSim模型，實現(xiàn)了在復雜元素、溫度及壓力條件下精確模擬材料并預測性能，推動材料科技發(fā)展步入數(shù)字新時代。

材料創(chuàng)新對于諸如納米電子學、能源儲存以及醫(yī)學健康等關(guān)鍵領(lǐng)域的技術(shù)進步有著重大影響。而材料設計中的難點在于如何在無需實際合成和測試的前提下預測其特性。

由于新材料涉及到化學元素周期表中118種元素的任意搭配，再加上合成及運行所需的極其寬泛的溫度、壓力范圍，這無疑加大了預測材料性質(zhì)和行為模擬的難度。

然而，借助深度學習技術(shù)，MatterSim模型成功學習了原子間的相互作用，從而能在絕對零度至5000開爾文、從標準氣壓到一億倍氣壓的廣闊范圍內(nèi)，模擬包括金屬、氧化物、硫化物、鹵化物在內(nèi)的各種材料及其不同形態(tài)（如晶體、非晶固體和液體）。

MatterSim的訓練過程采用了大規(guī)模的合成數(shù)據(jù)。為此，研究人員運用了主動學習、分子動力學模擬和生成模型等先進技術(shù)，構(gòu)建出高效的數(shù)據(jù)生成方案。

此項數(shù)據(jù)生成策略保證了模型對材料空間的全面覆蓋，使其能以媲美第一性原理預測的精準度，預測材料在原子層次上的能量、力和應力。

此外，MatterSim在進行精細材料模擬和性能預測時，可將數(shù)據(jù)需求量減少高達90%-97%。通過針對特定任務進行優(yōu)化，MatterSim僅需3%的原始數(shù)據(jù)便可達到預期的實驗精度模擬。