Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

Leitfäden8 Min. Lesezeit

Offen, prototypgeführt, geführt oder blind: einen Entdeckungsmodus wählen.

MS Lattice betreibt vier Modi auf einer Engine, in jeder Domäne. Wähle danach, was du bereits hast, und kombiniere sie dann über mehrere Runden.

Ein silberner Knoten mit vier Bahnen zu vier Sockeln: ein Punktraster, ein Kristall aus silbernen und blauen Kugeln, ein leerer kobaltblauer Rahmen und ein versiegelter Graphitwürfel.Ein silberner Knoten mit vier Bahnen zu vier Sockeln: ein Punktraster, ein Kristall aus silbernen und blauen Kugeln, ein leerer kobaltblauer Rahmen und ein versiegelter Graphitwürfel.

Jede Entdeckungskampagne geht von etwas aus. Manchmal ist es nur ein Ziel: eine Härte, eine Temperatur, ein Preis. Manchmal ist es ein Material, das dein Team bereits herstellt und weiter treiben will. Und manchmal willst du, bevor du einer Engine eine offene Frage anvertraust, zusehen, wie sie eine Antwort erreicht, die du schon kennst.

MS Lattice behandelt diese Fälle als vier Modi auf einer Engine: Open Discovery, Prototype-Guided Optimization, Guided Rediscovery und den Blind Rediscovery Benchmark. Alle vier laufen in allen dreiundzwanzig Materialdomänen, aus deinem eigenen Agenten, über die API, das SDK oder die Kommandozeile. Dieser Leitfaden zeigt, was jeder Modus als Eingabe nimmt, was er tut und was du erhältst, wann welcher passt und wie Teams sie kombinieren.

Wähle danach, was du bereits hast

Am einfachsten wählst du, indem du von dem ausgehst, was du in der Hand hast, und davon, wie viel von der Antwort die Engine während der Suche sehen soll.

  • Ein Ziel und kein Ausgangspunkt: Open Discovery. Die Engine sieht nur dein Ziel.
  • Ein zu verbesserndes Material: Prototype-Guided Optimization. Die Engine sieht dein Ziel und deine Struktur.
  • Ziele als Wegweiser: Guided Rediscovery. Die Engine sieht die bekannten Ziele, als Wegweiser.
  • Ziele bleiben versiegelt: der Blind Rediscovery Benchmark. Die Engine sieht keines der Ziele, bis zum Einfrieren.

Die ersten beiden Modi finden und verbessern Materialien. Die anderen beiden beweisen die Engine: Sie richten sie auf Antworten, die bereits bekannt sind, offen sichtbar oder versiegelt, damit sich messen lässt, ob sie ankommt. Zusammen decken sie die Bandbreite der Fragen ab, die ein Materialprogramm stellt, von der Frage, welches Material als Nächstes hergestellt werden soll, bis zu der, ob die Engine die Zeit deines Labors verdient.

Ein zentraler facettierter Knoten aus Kugeln in satiniertem Silber und Kobaltblau mit vier klaren Titanbahnen zu einem offenen Punktraster, einem verfeinerten Kristall, einem Elementarzellen-Rahmen und einem versiegelten Würfel in mattem Anthrazit.Ein zentraler facettierter Knoten aus Kugeln in satiniertem Silber und Kobaltblau mit vier klaren Titanbahnen zu einem offenen Punktraster, einem verfeinerten Kristall, einem Elementarzellen-Rahmen und einem versiegelten Würfel in mattem Anthrazit.
Ein Metallbarren, eine weiße Keramikscheibe, ein facettierter Kristall und eine Schale mit Pulver in einer Reihe: verschiedene Ausgangspunkte und verschiedene Wege in eine Suche.

Open Discovery: ein Ziel und kein Ausgangspunkt

Wähle Open Discovery, wenn du ein Ziel hast, aber keine Ausgangsstruktur. Du gibst eine Domäne, eine Ziel-Voreinstellung oder eigene Ziele und ein Budget vor. Der Modus durchsucht den gesamten Zusammensetzungsraum und liefert eine gerankte, vielfältige Menge von Kandidaten zurück, jeden mit seinem Protokoll. Er eignet sich am besten für neue Materialien, allein vom Ziel aus.

Das ist inverses Design in seiner einfachsten Form. Das protokollierte Beispiel ist eine Zerspanungsbeschichtung, beschrieben durch drei Zahlen: 28 GPa, 800 °C und 30 US$ pro Kilo. Es wurde keine Ausgangsstruktur vorgegeben, und (Ti,Al)N und (Cr,Al)N, die Beschichtungen, auf die die Industrie heute setzt, landeten unter den Top 5. Eine Engine, die allein aus der Aufgabe die Antworten der Industrie selbst erreicht, gibt dir einen Grund, den Rest ihrer Shortlist genau anzusehen.

Open Discovery passt, wenn ein neues Produkt ein Material braucht, mit dem dein Team noch nie gearbeitet hat, wenn ein Lieferproblem das Element ausschließt, auf das dein aktuelles Material angewiesen ist, und du das Feld neu betrachten willst, oder wenn du einen breiten ersten Blick über eine Domäne werfen willst, bevor du dich auf eine Familie festlegst. Die Vielfalt ist gewollt: Die Shortlist gibt dir verschiedene starke Antworten, nicht eine Familie nahezu identischer Kopien.

Prototype-Guided Optimization: ein zu verbesserndes Material

Wähle Prototype-Guided Optimization, wenn du ein gutes Material hast und es besser haben willst. Du gibst eine Ausgangsstruktur vor und was verbessert werden soll. Der Modus sucht im Umfeld deiner Struktur, verfolgt jede Variante im Vergleich zum Original, und du erhältst Varianten, gerankt im Vergleich zu deinem Prototyp. Er eignet sich am besten, um das Material, das du heute verwendest, weiterzuentwickeln.

Viel industrielle Materialarbeit sieht so aus. Ein Material, das bereits in Produktion ist, trägt jahrelanges Prozesswissen, Lieferantenbeziehungen und Testhistorie, deshalb ist es teuer, es zu ändern, und die beste Änderung ist oft eine kleine: eine Substitution, die eine Eigenschaft bei höherer Temperatur hält, ein knappes Element einspart oder die Kosten senkt, während alles andere nahezu gleich bleibt. Weil jede Variante im Vergleich zum Original verfolgt wird, sieht dein Team, was jede gewinnt und was sie aufgibt.

Das Beispiel, das MS Lattice nennt, ist der heutige Automobilmagnet, durchsucht nach Varianten, die ihre Stärke bei Motortemperatur halten. Dasselbe Muster passt zu einer Kathode, die du mit weniger Kobalt willst, oder zu einer Beschichtung, die einen heißeren Schnitt überstehen muss. Du brauchst kein völlig neues Material, um anzufangen: Beginne mit dem, das du hast, und mach es besser.

Die Rediscovery-Modi: geführt und blind

Die beiden Rediscovery-Modi beantworten eine andere Frage. Sie suchen nicht nach etwas Neuem; sie zeigen, wie gut die Engine etwas Bekanntes erreicht, damit dein Team beurteilen kann, wie weit es ihr vertrauen kann, bevor es sie auf das Unbekannte ansetzt.

Guided Rediscovery

Wähle Guided Rediscovery, um die Engine auf ein bekanntes Material zu richten und zuzusehen, wie sie ankommt. Du gibst bekannte Zielstrukturen vor. Der Modus lässt die Ziele die Suche lenken und bewertet, wie nah jeder Kandidat ihnen kommt, und du erhältst einen Übereinstimmungsgrad für jedes Ziel. In Richtung Zirkoniumdiborid gelenkt, stimmte jeder der 14 bewerteten Kandidaten auf jeder Stufe damit überein, in einer Kampagne von rund drei Minuten, der genaueste bis auf 0,0008 Å.

Der Modus passt früh in einer Bewertung, wenn dein Team sehen will, wie die Engine ein Material erreicht, das es gut kennt, oder als kurze erste Kampagne, die Kolleginnen und Kollegen zeigt, wie sich Kandidaten, Übereinstimmungsgrade und Protokolle lesen, bevor du eine Runde in eine offene Frage investierst.

Der Blind Rediscovery Benchmark

Wähle den Blind Rediscovery Benchmark, um die Antwort zu versiegeln und zu sehen, ob sie zurückkommt. Du gibst versiegelte Ziele vor, die vor der Engine verborgen bleiben, während sie sucht und rankt. Der Modus sucht ohne die Antworten, friert die Kandidaten ein, deckt dann die Ziele auf und bewertet die Übereinstimmung, und du erhältst ein abgestuftes Urteil für jedes Ziel. Eine Prüfung auf Datenlecks bestätigt, dass jede Übereinstimmung gefunden und nicht erinnert wurde; eine Übereinstimmung von etwas, das das Ziel gesehen hatte, gilt nie als blind.

Laut Protokoll wurden zwei versiegelte Ultrahochtemperaturkeramiken beide gefunden, bis hin zur Anordnung ihrer Atome, unter 64 Kandidaten in zwei Runden, in 32 Minuten, für unter 20 Cent. Bei einem kompletten Neudurchlauf wurden 9 von 9 Prüfungen bestanden. Wähle ihn, bevor du dich in einer neuen Domäne auf die Engine verlässt, wenn ein Gutachter oder Kunde Belege will, die er prüfen kann, oder wenn du Engines unter gleichen Bedingungen vergleichen willst.

Links ein versiegelter Würfel in mattem Anthrazit, rechts daneben das exakt passende Kristallgitter aus Kugeln in mattem Graphit, satiniertem Silber und Kobaltblau in identischen Proportionen.Links ein versiegelter Würfel in mattem Anthrazit, rechts daneben das exakt passende Kristallgitter aus Kugeln in mattem Graphit, satiniertem Silber und Kobaltblau in identischen Proportionen.
Ein grauer Umschlag unter einem blauen Wachssiegel neben einem klaren Kristall: die Idee hinter einem Blindtest, eine Antwort, die verborgen bleibt, bis die Kandidaten eingefroren sind.

Modi über mehrere Runden kombinieren

Die meisten Programme wählen nicht einen Modus und hören dann auf. Eine Kampagne endet mit einer Shortlist und einem Protokoll, und die nächste Runde startet mit dem, was du behalten hast: Gewinner behalten, Ziel verschärfen, erneut starten. Eine gängige Abfolge sieht so aus.

  1. An Bekanntem beweisenFühre Guided Rediscovery oder den Blind Rediscovery Benchmark an Materialien durch, die dein Team in der Zieldomäne bereits versteht. Die Übereinstimmungsgrade und abgestuften Urteile zeigen dir, wie weit du der Engine dort vertrauen kannst.
  2. Die Frage öffnenFühre Open Discovery allein vom Ziel aus durch, mit deinen Anforderungen und Präferenzen, für eine gerankte, vielfältige Menge von Kandidaten.
  3. Prüfen, was zähltSchick die Kandidaten deiner Wahl zur Ab-initio-Verifikation von Stabilität, elastischen Konstanten oder Phononen, bevor irgendetwas ins Labor geht.
  4. Die Besten verfeinernNimm den stärksten Kandidaten oder das Material, das du bereits herstellst, als Ausgangsstruktur für Prototype-Guided Optimization und ranke seine Varianten im Vergleich dazu.
  5. An das Labor übergebenExportiere die Shortlist als Strukturdateien mit ihren Protokollen für dein Labor, oder lass Norck den Gewinner synthetisieren, validieren und fertigen.

Teams mit einem Material, das bereits in Produktion ist, gehen oft in umgekehrter Reihenfolge vor: zuerst Prototype-Guided Optimization, um zu sehen, wie weit das heutige Material kommt, dann Open Discovery, wenn der Abstand zum Ziel noch zu groß ist. Jeder Modus läuft auf derselben Engine, und jeder Kandidat trägt dieselbe Art von Protokoll, sodass sich eine Runde genauso liest wie die nächste. Auch dein KI-Agent kann die Abfolge ausführen: Über MCP erstellt er jeden Plan, sieht zuerst den Preis und liest die Kandidaten aus, für Kampagnen über Minuten oder Wochen.

Was dir die protokollierten Ergebnisse sagen

  • 14 von 14zielgenaue Kandidaten in Guided Rediscovery
  • 0.0008 Åder Kandidat, der Zirkoniumdiborid am nächsten kommt
  • 2 von 2versiegelte Ziele blind gefunden
  • < $0.20für den Blindlauf mit 64 Kandidaten

Die beiden Rediscovery-Ergebnisse beantworten verschiedene Fragen. Guided Rediscovery zeigt, dass die Engine, wenn man ihr zeigt, wo die Antwort liegt, präzise und schnell dorthin gelangt. Der Blind Rediscovery Benchmark zeigt etwas Schwierigeres: dass sie dorthin gelangt, ohne dass man es ihr zeigt. Zusammen mit dem Formelergebnis gelesen, der richtigen Struktur auf Platz eins für 13 von 15 Verbindungen allein aus einer Formel, sind sie der Grund, eine Open-Discovery-Shortlist ernst genug zu nehmen, um Laborzeit in sie zu investieren.

Fragen, die Teams stellen

Mit welchem Modus sollten wir anfangen?

Geh von dem aus, was du hast. Ein Ziel und sonst nichts spricht für Open Discovery; ein Material, das du heute herstellst, spricht für Prototype-Guided Optimization. Wenn dein Team die Engine zuerst in deiner Domäne arbeiten sehen will, beginne mit Guided Rediscovery oder einem Blind-Benchmark an Materialien, die du kennst.

Funktionieren alle vier Modi in jeder Domäne?

Ja. Alle vier Modi laufen in allen dreiundzwanzig Domänen, aus deinem eigenen Agenten, über die API, das SDK oder die Kommandozeile.

Können wir einen Blind-Benchmark an Materialien durchführen, die wir kennen?

Ja. Die Ziele bleiben versiegelt, während MS Lattice sucht und rankt, die Kandidaten werden eingefroren, und erst dann werden die Ziele aufgedeckt und jede Übereinstimmung bewertet.

Brauchen wir ein völlig neues Material, damit es sich lohnt?

Nein. Starte mit dem, das du hast, und mach es besser. Prototype-Guided Optimization ist dafür gebaut.

Die erste Domain-Engine von MatterSpace

MatterSpace hat MS Lattice für die Wissenschaftler und Ingenieure gebaut, die neue Materialien entdecken und entwerfen, ausgehend von den Eigenschaften, die ihr Produkt braucht.

Weiterlesen

Du hast ein Materialziel? Sag uns, was es leisten muss.

Nenne uns die Materialdomäne, die Eigenschaften, die du brauchst, und die Grenzen, die das Material einhalten muss. Wir zeigen dir, wie MS Lattice die Aufgabe über Norck angehen würde, von einer gerankten Shortlist für dein eigenes Labor bis hin zu fertigen Bauteilen.