材料发现领域正在经历一场深刻的变革，这场变革得益于人工智能（AI）与先进计算方法的融合。传统的材料开发过程是一个缓慢、昂贵，并且往往依赖于偶然发现的试验过程。然而，随着复杂模拟工具的出现以及机器学习的强大能力，这一过程正在加速，使研究人员能够以前所未有的效率预测材料特性并设计新型化合物。
这场变革的核心是Matlantis，一款由Preferred Computational Chemistry (PFCC)开发的通用原子模拟器，PFCC是日本Preferred Networks, Inc. (PFN) 和ENEOS Corporation的合资企业。
2025年7月，PFN在美国的材料发现中心Matlantis Inc.宣布了其模拟器的重大升级，并同时在马萨诸塞州的剑桥开设了专门的办公室，标志着这一领域的一个重要里程碑。此次扩张表明了PFCC致力于加速在北美采用AI驱动的材料研究。
Matlantis核心的升级在于实施了PFN专有AI技术，PFP (Preferred Potential) 的8.0版本。这代表了原子模拟在准确性和多功能性方面的一次飞跃。PFP 8.0是第一个使用综合数据集训练的通用机器学习原子间势 (MLIP)，允许在各种材料（电池、半导体、催化剂等）上进行模拟，而无需针对不同材料类型进行模型调整。这种通用性是关键的差异化优势，简化了研究工作流程并减少了计算负担。
AI赋能的材料科学革命
在材料科学领域，长期以来，新材料的发现一直依赖于冗长的实验过程，涉及到高昂的成本和大量的时间投入。传统方法通常需要科学家们进行大量的试错实验，逐步改进材料配方。而如今，AI技术的引入正在颠覆这一传统模式。Matlantis这样的模拟器能够利用机器学习算法分析大量的材料数据，预测材料的性能，并加速新材料的研发进程。这种转变不仅仅是效率的提升，更是材料科学研究范式的根本变革。
精准度的提升和模拟能力的扩展
Matlantis的增强精度直接得益于r²SCAN在训练数据集开发中的应用。在整合r²SCAN之前，模拟的精确度受到了基础数据的限制。r²SCAN的集成使原子模拟的精度提高了两倍，同时提高了速度并扩展了可以精确建模的元素范围。这种改进不仅仅是渐进式的；它使研究人员能够以前所未有的信心探索材料特性，减少了验证计算预测的昂贵且耗时的物理实验的需求。该模拟器执行计算的速度比传统方法快2000万倍，进一步放大了其影响，从而能够快速筛选巨大的化学空间并识别有前景的候选材料。这种显著的速度提升，使得科学家们能够更快地验证假设，优化设计，并最终加速材料发现的进程。
除了技术的进步，战略性地扩展到美国，并在剑桥开设办公室，凸显了更广阔的愿景。PFCC 正在积极建立合作伙伴关系，以扩大 Matlantis 的影响力。与三菱商事株式会社于2024年6月宣布的业务和资本联盟旨在增加该模拟器的国际销售额。这种协作方法，结合Matlantis的云端访问性，正在使尖端材料发现工具的访问民主化。该平台的核心技术——专有的神经网络势（NNP），旨在加速计算，同时保持高度的通用性和准确性，有效地弥合了理论预测和实际材料性能之间的差距。此外，2025年1月LightPFP等功能的推出表明，PFCC持续致力于增强模拟器进行大规模材料模拟的能力。
合作与应用的扩展
Matlantis的影响超出了学术研究的范围。该平台正被希望加速自身材料创新流程的公司和组织所使用。用户评价和案例研究展示了该模拟器在解决实际挑战（从优化电池性能到设计新型催化剂）方面的有效性。Matlantis 的基本原理植根于基本的量子力学，但 AI 驱动的方法可以以以前不可能的速度和规模进行模拟。这种精度和效率的结合，有望重塑材料科学的格局，开启加速发现和创新的时代。Matlantis的持续开发和完善，加上其不断扩大的可访问性，有望释放新一代具有定制特性和变革性应用的新材料。
发表回复