Jeder Anbieter von KI-Materialentdeckung hat eine Demo, und die Demo funktioniert immer. Was dein Team wissen muss, ist etwas anderes: ob die Engine bei deinem Ziel funktioniert, mit deinen Grenzen, zu einem Preis, mit dem du planen kannst, und ob du ihre Antworten prüfen kannst, ohne dich auf das Wort von irgendwem zu verlassen.
Dieser Leitfaden ist eine Checkliste für dieses Gespräch, geschrieben für den Einsatz bei jedem Anbieter, MatterSpace eingeschlossen. Zu jeder Frage steht, wie eine gute Antwort aussieht. Nach der Liste zeigen wir, wie MS Lattice aus seinem eigenen Protokoll antwortet, damit du alle, uns eingeschlossen, an derselben Messlatte messen kannst.
Warum eine Checkliste mehr bringt als eine Demo
KI-Materialentdeckung umfasst sehr unterschiedliche Arten von Produkten. Manche erzeugen Strukturen und screenen sie danach. Manche machen das Screening schnell. Manche geben Fachleuten tiefgehende Werkzeuge für die Arbeit von Hand. Manche lernen aus früheren Laborergebnissen eines Unternehmens, und manche kombinieren KI mit eigenen Laboren im Zeitrahmen einer Partnerschaft. Jeder Ansatz hat das Feld vorangebracht. Sie sind nicht austauschbar, und eine Demo an einem handverlesenen Material sagt dir wenig darüber, welcher zu deinem Programm passt.
Die Kosten einer schlechten Wahl zeigen sich selten in der Softwarerechnung. Sie zeigen sich im Labor, wo jeder Kandidat Synthesezeit, Charakterisierungszeit und die Aufmerksamkeit deiner Leute kostet. Eine gute Bewertung läuft auf eine Sache hinaus: wie viel der Zeit deines Labors in Kandidaten fließt, deren Herstellung sich lohnt.
Die zehn Fragen
Stell sie jedem Anbieter auf deiner Liste. Verlange Belege, keine Adjektive: was gemessen wurde, gegen welche Messlatte, wann sie gesetzt wurde. Eine gute Antwort nennt eine Zahl mit ihren Bedingungen und verweist auf ein Protokoll, das dein Team einsehen kann.
- Hat sie Antworten gefunden, die ihr nie gezeigt wurden?Der eine Entdeckungstest, der sich nicht fälschen lässt, ist blind: Das Ziel wird versiegelt, während die Engine sucht und rankt, die Kandidaten werden eingefroren, und erst dann wird die Antwort aufgedeckt. Eine gute Antwort enthält eine Prüfung auf Datenlecks, die zeigt, dass das Ergebnis gefunden und nicht erinnert wurde.
- Trifft sie die Struktur allein aus einer Formel?Viele Eigenschaften hängen davon ab, wie die Atome angeordnet sind, nicht nur davon, welche Atome vorhanden sind. Frag, wie oft die Engine die korrekte Kristallstruktur auf Platz eins rankt, wenn sie nichts als eine chemische Formel erhält, gemessen an einer vor dem Lauf gesetzten Messlatte, und wie sie bei Verbindungen abschneidet, die aus allem herausgehalten wurden, wovon sie ausgeht.
- Werden ihre Urteile von der Physik geprüft?Schnelle Schätzungen machen eine Suche bezahlbar, aber sie sind nicht das letzte Wort. Eine gute Antwort bietet Ab-initio-Verifikation für die Kandidaten, auf die es ankommt, zeigt Stabilitätsurteile, die an nachweislich falschen Anordnungen getestet wurden, und zeigt Referenzeigenschaften, die innerhalb einer vorab festgelegten Toleranz reproduziert wurden.
- Lässt sich jeder Kandidat aus seinem Protokoll rekonstruieren?Ein Score ist eine Behauptung. Frag, ob jeder Kandidat das Protokoll jeder bestandenen Prüfung trägt und wo eine Prüfung gestoppt hat, ob dieses Protokoll ausreicht, um den Kandidaten zu rekonstruieren, und ob das jemand im Produktionsmaßstab auditiert hat.
- Werden deine Anforderungen innerhalb der Suche eingehalten?Wenn deine Grenzen nach der Erzeugung als Filter angewendet werden, bezahlst du für jede Struktur, die sie verletzt. Eine gute Antwort lautet: Vorschläge, die deine Muss-Kriterien verletzen, werden abgewiesen, bevor eine Struktur gebaut wird, und Wunschkriterien werden zusätzlich zu den Muss-Kriterien ausgereizt, nie gegen sie getauscht.
- Wie lang ist die Shortlist, die dein Labor erhält?Millionen Kandidaten sorgen für Schlagzeilen; dein Labor stellt jeweils eine Handvoll her. Frag, was eine typische Kampagne übergibt, wie gerankt wird und ob die Kandidaten bewusst verschieden voneinander sind oder eine Familie nahezu identischer Kopien.
- Was kostet ein Kandidat, und wann siehst du den Preis?Verlange die Rechenkosten pro Kandidat aus einem protokollierten Lauf, keinen Listenpreis auf Anfrage. Eine gute Antwort zeigt den Preis jedes Plans vor dem Start und hält jede Kampagne innerhalb eines Budgets, das du festlegst.
- Kann dein eigener KI-Agent sie steuern?Frag, ob ein Agent den gesamten Ablauf ausführen kann, von der Formulierung des Bedarfs bis zum Auslesen der Nachweise, über eine Standardverbindung wie MCP, und ob eine API und ein SDK dieselbe Engine erreichen.
- Was passiert nach der Shortlist?Ein Material ist erst entdeckt, wenn es hergestellt ist. Frag, was der Anbieter deinem Labor übergibt, in welchem Dateiformat, und ob es einen Weg weiter zu Synthese, Tests, Produktion und fertigen Bauteilen gibt, wenn du ihn willst.
- Was behaupten die Ergebnisse nicht?Die Zahlen jeder Engine sind Screening-Schätzungen irgendeiner Art. Ein guter Anbieter sagt, Domäne für Domäne, welche Eigenschaften geschätzt werden, welche gar nicht vorhergesagt werden und was getestet werden muss, bevor sich jemand auf einen Kandidaten verlässt. Sei vorsichtig bei einer Antwort, in der keine Grenzen vorkommen.
Wie MS Lattice beim Nachweis antwortet
Die ersten drei Fragen klären, ob eine Engine etwas finden kann. Hier ist die Bilanz von MS Lattice, wie sie aktuell steht.
- 2 von 2versiegelte Ziele blind gefunden
- 13 von 15richtige Strukturen auf Platz eins gerankt, allein aus einer Formel
- 4 von 4korrekte Ab-initio-Stabilitätsurteile
- 5 von 5Referenzwerte von Silizium reproduziert
Im Blind Rediscovery Benchmark blieben zwei Ultrahochtemperaturkeramiken versiegelt, während MS Lattice suchte und rankte. Die Ziele lenkten nichts und rankten nichts. Als die Kandidaten eingefroren und die Ziele aufgedeckt wurden, waren beide gefunden, bis hin zur Anordnung ihrer Atome: 64 Kandidaten in zwei Runden, rund 32 Minuten Rechenzeit, unter 0,20 US$. Alle Übereinstimmungsgrade wurden für beide Ziele erreicht, ein kompletter Neudurchlauf bestand 9 von 9 Prüfungen, und eine Prüfung auf Datenlecks bestätigte, dass die Übereinstimmung gefunden und nicht erinnert wurde.
Mit nichts als einer chemischen Formel rankte MS Lattice für 13 von 15 Verbindungen die korrekte Kristallstruktur auf Platz eins, gemessen an einer vor dem Lauf gesetzten Messlatte von 10, in rund 38 Sekunden pro Verbindung. Vier Verbindungen, die aus allem herausgehalten wurden, wovon es ausgeht, CaO, SrF₂, BaTiO₃ und Ni₃Al, wurden bis auf 0,016 bis 0,037 Å an die Referenzstrukturen rekonstruiert, und drei davon wurden auf Platz eins gerankt.
Ab-initio-Physik steht für die Kandidaten deiner Wahl auf Abruf bereit. Ihre Stabilitätsprüfung stufte Mg₂Si und MoSi₂ als stabil ein, 0,165 und 0,284 eV/atom unter ihren konkurrierenden Phasen, und stufte bewusst falsche Anordnungen beider als instabil ein: vier von vier Urteilen. Sie reproduzierte außerdem die Gitterkonstante von Silizium, seine drei elastischen Konstanten und seine höchste optische Phononenfrequenz, jeweils innerhalb der vor dem Lauf festgelegten Toleranz.


Wie MS Lattice bei Belegen und Anforderungen antwortet
Jeder MS-Lattice-Kandidat trägt das Protokoll jeder Prüfung: was er bestanden hat, woran er gescheitert ist und wo er gestoppt hat, mit dem Grund, dazu die Unsicherheit jeder Schätzung und seine Stabilität gegenüber jeder konkurrierenden Phase seiner Chemie. Jeder Kandidat wird zudem mit den bekannten Kristallen abgeglichen, sodass du siehst, was neu ist. Aus drei Kampagnen in Produktionsgröße wurden alle 73 auditierten Kandidaten aus diesem Protokoll rekonstruiert, jede Eigenschaft innerhalb ihrer angegebenen Toleranz.
Deine Anforderungen werden innerhalb der Suche eingehalten. Ein Vorschlag, der sie verletzt, wird abgewiesen, bevor eine Struktur gebaut wird, und deine Präferenzen werden zusätzlich so weit wie möglich ausgereizt, nie auf Kosten der Anforderungen. Deshalb ist die Shortlist auch kurz: Hunderte gerankte, aussichtsreiche Kandidaten, bewusst verschieden voneinander, statt Millionen Strukturen zum Sortieren. Im Blind-Benchmark reichten 64 Kandidaten, um beide versiegelten Ziele zu finden.
Wie MS Lattice bei Kosten, Agenten und Bauteilen antwortet
Rechenleistung fließt nur in Kandidaten, die deine Grenzen erfüllen können. Laut Protokoll sind das rund ein Drittel Cent, ≈ 0,003 US$, und rund 30 Sekunden Rechenzeit pro Kandidat im Blind-Benchmark. Die komplette 8-Kandidaten-Kampagne eines KI-Agenten kostete unter 0,003 US$. Jeder Plan zeigt seine geschätzten Kosten vor dem Start, ein Plan, der nicht laufen kann, wird mit Begründung abgelehnt, bevor irgendetwas beginnt, und jede Kampagne läuft innerhalb des Budgets, das du festlegst.
MS Lattice ist die Engine; dein KI-Agent ist der Fahrer. Eine MCP-Verbindung gibt jedem Agenten, der MCP spricht, 120 Tools und die ganze Kette, von der Beschreibung des Bedarfs bis zum Auslesen der Nachweise. Vor jedem Release führt ein KI-Agent in der Rolle eines Kunden diesen kompletten Ablauf aus, eine 8-Kandidaten-Kampagne in 4 bis 5 Minuten. Dieselbe Engine ist über die REST API, das Python SDK und die Kommandozeile erreichbar.
Nach der Suche erhält dein Labor eine gerankte Shortlist mit einer Standard-CIF-Strukturdatei für jeden Kandidaten, und die ganze Kampagne lässt sich als CSV oder JSON exportieren. Wenn du weitergehen willst, betreibt Norck MS Lattice, synthetisiert, validiert und fertigt dann den Gewinner, mit Umfängen von nur Entdeckung bis End-to-End, fertige Bauteile eingeschlossen.
Was die Ergebnisse nicht behaupten
Die zehnte Frage zählt am meisten, deshalb hier die Antwort von MS Lattice vollständig. Seine Zahlen sind Screening-Schätzungen und Berechnungen für den Volumenkristall, keine Messungen an einem neuen Material. Jede seiner dreiundzwanzig Materialdomänen gibt an, was du vorgibst, was du erhältst und wo ihre Schätzungen enden. Bei Magneten zum Beispiel hängt die Koerzitivfeldstärke in einem fertigen Magneten von Gefüge und Verarbeitung ab, deshalb muss eine Güte hergestellt und gemessen werden, bevor sie in einen Motor kommt.
Fragen, die Teams stellen
Sollten wir vor dem Kauf unseren eigenen Blindtest durchführen?
Das ist der stärkste Beleg, den du bekommen kannst. Bei MS Lattice ist der Blind Rediscovery Benchmark einer der vier Modi, sodass dein Team Ziele versiegeln kann, die es bereits kennt, und sehen kann, ob sie zurückkommen.
Wie vergleichen wir Preise zwischen Anbietern?
Verlange von jedem die Rechenkosten pro Kandidat aus einem protokollierten Lauf und den Preis eines konkreten Plans vor dem Start. Laut Protokoll liegt MS Lattice bei rund einem Drittel Cent pro Kandidat, und jeder Plan zeigt seinen Preis, bevor er läuft.
Was sollte ein Pilotprojekt liefern?
Ein Pilotprojekt setzt MS Lattice auf dein eigenes Ziel an und übergibt dir eine gerankte Shortlist, jeden Kandidaten als Strukturdatei mit seinem Protokoll, bereit für dein Labor.
Bleibt unsere Arbeit unsere?
Frag jeden Anbieter. Bei MS Lattice bleiben deine Kampagnen und die Daten, die du einbringst, in deiner Organisation, und bevor ein Pilotprojekt startet, vereinbaren wir mit dir, was geteilt wird, wo es verarbeitet wird und wie lange es aufbewahrt wird.


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.









