利用 MatterSim 推动材料 AI 进步：实验合成、更快的模拟及多任务模型
MatterSim发布多任务模型MatterSim-MT，可同时模拟多种材料性质，加速新材料的发现与合成。
MatterSim 是微软研究院开发的材料科学 AI 工具，现推出多任务模型 MatterSim-MT——它不仅能模拟原子的势能面（描述原子间相互作用能量的曲面），还能预测更多材料性质。新版本实现了更快的大规模模拟，并支持实验合成预测，让AI在材料研发中更实用。
正文摘录
 概览 - 实验验证：利用 MatterSim-v1 的高通量筛选，我们 [之前](https://www.microsoft.com/en-us/research/podcast/abstracts-heat-transfer-and-deep-learning-with-hongxia-hao-and-bing-lv/) 将四方相磷化钽 (TaP) 识别为潜在的高性能导热体。现在我们已实验合成该材料，并测得它的热导率为 152 W/m/K，接近硅的热导率。 - 更快模拟：我们将 MatterSim-v1 模型推理速度提升了 3-5 倍，并将其集成到 LAMMPS 软件包中，从而能够在多个 GPU 上进行大规模模拟。 - 新模型发布：我们推出 MatterSim-MT，一个用于计算机模拟材料表征的多任务基础模型，能够模拟超出仅靠势能面所能捕获的复杂多属性现象。 材料设计是众多技术进步的基石，从纳米电子学到半导体设计再到能源存储。然而，新型材料的开发周期仍然缓慢且昂贵。通用机器学习原子间势 (Universal machine learning interatomic potentials) 旨在通过为广泛材料提供准确的结构稳定性和性能预测来加速材料设计过程。这些模型比传统的第一性原理模拟快数个数量级，将之前不切实际的问题转化为可在数小时内完成的常规计算。