AI-drevet materialeopdagelse har aldrig bevæget sig hurtigere. Microsofts MatterGen genererer strukturer ud fra målegenskaber. Meta FAIRs OMat24 og Open Catalyst har gjort hurtig screening bredt tilgængelig. Schrödinger giver eksperter dybdegående simulering. Citrine Informatics lærer af en virksomheds egne laboratoriedata. Periodic Labs, Lila Sciences og Orbital Materials kombinerer AI med egne laboratorier. Hver af dem har bragt feltet fremad.
MS Lattice besvarer det spørgsmål, et materialeteam faktisk stiller: hvilke få skal vi fremstille først?
De tal, feltet rapporterer
- Microsoft og PNNL screenede 32,6 millioner kandidater på omkring 1.000 cloudmaskiner på under 80 timer for at nå frem til 18.
- Materials Nexus analyserede mere end 100 millioner sammensætninger og brugte tre måneder på at designe, fremstille og teste en magnet.
Bemærkelsesværdigt arbejde. Og én klar lære: antallet af kandidater var aldrig produktet. Det er svaret.
Krav inde i søgningen, ikke et filter bagefter
Forslag, der bryder dine grænser, afvises, før en struktur bygges.
En shortliste, ikke en høstak
Hundredvis af rangerede stærke bud i stedet for millioner af strukturer at sortere i, hver med dokumentationen for hver kontrol.
Intelligens, der lærer, mens den kører
Skarpere for hver evaluering, til omkring en tredjedel af en cent i regnekraft pr. kandidat.
Beviser, du kan genkøre
Begge forseglede mål fundet blindt. 73 af 73 kandidater genopbygget ud fra deres dokumentation.
Klar til din agent, og til fabrikken
Din AI-agent styrer MS Lattice via MCP. Når en vinder dukker op, fører Norck den gennem validering og produktion til færdige dele.









