Materials AI achieves SOTA across 40 industrial tasks

•該模型被命名為MPA（Materials Property Axiom），由深度原理（Deep Principle）開發，代表了材料科學領域的特定AI基座模型突破。
•MPA採用了類似大型語言模型（LLM）的三階段訓練模式，包括預訓練、中期訓練和微調，其中中期訓練對於彌合理論計算與真實實驗數據之間的鴻溝至關重要。
•此訓練方法使MPA能夠克服傳統AI模型在電腦模擬數據上表現優異，但在存在噪音、誤差和特定工業需求的真實實驗室環境中表現不佳的挑戰。
•模型的「物理直覺」使其能夠理解真實材料的實際需求，超越單純的分子結構層面，例如能掌握苯環中碳原子的平面排列和特定的鍵長等物理特性。

📊 競品分析▸ Show

競爭者/模型	類型/方法	主要特點/功能	基準/成果
深度原理MPA	材料基座模型 (Transformer + LLM訓練)	結合LLM三階段訓練，彌合理論與實驗鴻溝，具備「物理直覺」。	在40項真實工業材料任務中達成SOTA效能。
Microsoft MatterGen	生成式AI材料設計工具 (擴散模型)	根據應用需求直接生成新材料，優化特殊幾何結構，探索未知材料空間。	在生成高體積模量（>400 GPa）的新穎、穩定結構方面表現優異，超越傳統篩選方法。
MatAi	材料大模型 (GPT-like Transformer解碼器)	捕捉長距離上下文信息，高效學習材料專業術語，生成科學合理的材料配方建議。	提升對材料科學文獻和數據的解析能力，支持智能材料研發。
Materials Project (UC Berkeley)	材料數據庫與AI訓練平台	提供超過16萬筆無機材料特性數據，開源供AI模型訓練與新材料設計。	促進新一代AI模型的訓練及新材料的設計。
A-Lab (UC Berkeley & Lawrence National Lab)	自主實驗系統 (ML + 機器人)	利用機器學習和主動學習規劃機器人實驗，加速無機粉末固態合成。	在連續17天實驗中，成功合成58種目標化合物中的41種（成功率71%）。
MatEvolve (陸子恒團隊)	材料智能體系統	整合文獻知識和專家經驗，無需從零開始訓練，成本較低，考慮工藝條件。	已實現從AI設計到真實材料合成的完整閉環。

模型架構： MPA模型基於Transformer架構，其結構分為「頭」和「軀幹」兩部分。其中，「軀幹」是通用的圖形Transformer，用於儲存核心通用知識；「頭」則根據不同訓練階段進行調整，以適應不同的訓練任務。
訓練模式： 採用類似大型語言模型（LLM）的三階段訓練模式，包括預訓練（pre-training）、中期訓練（mid-training）和微調（fine-tuning）。中期訓練旨在讓模型在中等規模的通用任務上表現更好，以彌補理論計算與實驗數據之間的鴻溝。
物理直覺的建立： 透過這種訓練模式，模型能夠建立對真實材料需求的「物理直覺」，而不僅僅停留在分子結構層面。這有助於模型理解材料在實際工業環境中的複雜行為和屬性。
數據處理： 針對真實工業實驗數據集中存在的噪音、誤差和特定工業需求等挑戰，MPA的訓練方式使其能夠有效處理這些複雜性，提升在實際應用中的預測精度和可靠性。

材料研發週期將大幅縮短。

透過AI模型對真實世界數據的「物理直覺」理解，能顯著減少傳統試錯實驗所需的時間與資源，加速新材料的上市進程。

AI將成為新材料發現的標準工具。

該模型在多項工業任務中展現的卓越性能，將促使更多產業採用AI進行材料設計與優化，從而推動材料科學進入「第五範式」。

跨學科人才需求將激增。

AI for Science的發展需要結合AI、材料科學、物理學等領域的專業知識，以應對複雜的科學問題並實現技術落地。

2011-06

美國啟動「材料基因組計畫」（Materials Genome Initiative, MGI），旨在加速新材料發現與開發。

2011

美國加州大學伯克利分校主導的Materials Project啟動，建立並開源超過16萬筆無機材料特性數據。

2018-01

中國深圳市材料基因組大科學裝置平台項目建議書獲批立項，推動中國版材料基因組計劃。

2024-01

美國加州大學伯克利分校和勞倫斯國家實驗室團隊發表「A-Lab」自主實驗系統，展示AI在自主發現新材料方面的潛力。

2025-01

微软研究院科學智能中心推出生成式AI材料設計工具MatterGen，能夠根據需求直接生成新材料。

2026-06

深度原理Deep Principle的材料基座模型MPA，透過結合LLM訓練技術，在40項工業材料任務中達成最先進效能。

材料 AI 在 40 項工業任務中達成 SOTA