新材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术进步至关重要。材料设计中的一个核心难点是如何在不进行实际合成和测试的情况下预测材料属性。

　　由于新材料可能涉及元素周期表中 118 种元素的任意组合，且其合成和工作温度、压力范围极广，这些因素极大地影响了材料内部原子的相互作用，使得准确预测材料属性和行为模拟变得极为困难。

　　微软设计的 MatterSim 模型结合深度学习技术，学习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范围内，模拟金属、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）等多种材料。

　　MatterSim 的训练过程使用了大规模的合成数据。为了获得这些训练数据，研究员们结合了主动学习、分子动力学模拟和生成模型等技术，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材料空间的广泛覆盖，使其能够以与第一性原理预测相当的准确度，预测材料在原子层面的能量、力和应力。

　　MatterSim 在进行精细材料模拟、性能预测时，能够降低 90%-97% 的数据需求量。通过 MatterSim 的定制化功能对该任务进行优化，MatterSim 只需要 3% 的原始数据，就能达到预期的实验精度模拟。

　　图 3：MatterSim 在进行精细材料模拟、性能预测时，能够降低 90%-97% 的数据需求量。界面态相位谱估计尊龙人生就是博支AG发财网自发辐射放大纳米电子学