Toute campagne de découverte part de quelque chose. Parfois, ce n’est qu’une cible : une dureté, une température, un prix. Parfois, c’est un matériau que votre équipe fabrique déjà et veut pousser plus loin. Et parfois, avant de confier une question ouverte à un moteur, vous voulez le voir atteindre une réponse que vous connaissez déjà.
MS Lattice les traite comme quatre modes sur un seul moteur : Open Discovery, Prototype-Guided Optimization, Guided Rediscovery et le Blind Rediscovery Benchmark. Les quatre fonctionnent dans les vingt-trois domaines de matériaux, depuis votre propre agent, l’API, le SDK ou la ligne de commande. Ce guide expose ce que chaque mode prend en entrée, ce qu’il fait et ce que vous obtenez, quand chacun convient, et comment les équipes les combinent.
Choisir en fonction de ce que vous avez déjà
La façon la plus simple de choisir est de partir de ce que vous avez en main, et de la part de la réponse que le moteur doit voir pendant sa recherche.
- Une cible, et rien pour démarrer : Open Discovery. Le moteur ne voit que votre cible.
- Un matériau à améliorer : Prototype-Guided Optimization. Le moteur voit votre cible et votre structure.
- Des cibles comme guides : Guided Rediscovery. Le moteur voit les cibles connues, comme guides.
- Des cibles gardées scellées : le Blind Rediscovery Benchmark. Le moteur ne voit aucune des cibles, jusqu’au gel.
Les deux premiers modes trouvent et améliorent des matériaux. Les deux autres mettent le moteur à l’épreuve : ils le dirigent vers des réponses déjà connues, en pleine vue ou sous scellés, pour que son arrivée puisse être mesurée. À eux quatre, ils couvrent l’éventail des questions que pose un programme matériaux, du choix du prochain matériau à fabriquer à la question de savoir si le moteur mérite le temps de votre laboratoire.


Open Discovery : une cible, et rien pour démarrer
Choisissez Open Discovery quand vous avez une cible, pas une structure de départ. Vous lui donnez un domaine, un préréglage d’objectifs ou vos propres cibles, et un budget. Il explore tout l’espace des compositions et vous rend un ensemble de candidats classés et diversifiés, chacun avec son dossier. C’est le mode idéal pour de nouveaux matériaux, à partir de la seule cible.
C’est la conception inverse dans sa forme la plus simple. L’exemple consigné est un revêtement d’usinage décrit par trois chiffres : 28 GPa, 800 °C et 30 $ US le kilo. Aucune structure de départ n’a été fournie, et (Ti,Al)N et (Cr,Al)N, les revêtements sur lesquels tourne l’industrie aujourd’hui, se sont classés parmi les cinq premiers. Un moteur qui retrouve les propres réponses de l’industrie à partir de la seule fonction vous donne une raison d’examiner de près le reste de sa présélection.
Open Discovery convient quand un nouveau produit exige un matériau avec lequel votre équipe n’a jamais travaillé, quand un problème d’approvisionnement exclut l’élément dont dépend votre matériau actuel et que vous voulez porter un regard neuf sur le domaine, ou quand vous voulez un premier tour d’horizon large d’un domaine avant de vous engager sur une famille. La diversité est voulue : la présélection vous donne différentes réponses solides, pas une seule famille de quasi-copies.
Prototype-Guided Optimization : un matériau à améliorer
Choisissez Prototype-Guided Optimization quand vous avez un bon matériau et que vous le voulez meilleur. Vous lui donnez une structure de départ et ce qu’il faut améliorer. Il explore autour de votre structure et suit chaque variante par rapport à l’original, et vous obtenez des variantes classées par rapport à votre prototype. C’est le mode idéal pour pousser plus loin le matériau que vous utilisez aujourd’hui.
Une grande partie du travail industriel sur les matériaux ressemble à cela. Un matériau déjà en production porte des années de savoir-faire procédé, de relations fournisseurs et d’historique d’essais : le changer coûte cher, et le meilleur changement est souvent modeste. Une substitution qui maintient une propriété à plus haute température, réduit un élément rare ou abaisse le coût tout en gardant tout le reste proche. Comme chaque variante est suivie par rapport à l’original, votre équipe voit ce que chacune apporte et ce qu’elle sacrifie.
L’exemple que donne MS Lattice est l’aimant automobile actuel, dont on recherche des variantes qui gardent leur force à la température du moteur. Le même schéma convient à une cathode que vous voulez avec moins de cobalt ou à un revêtement qui doit résister à une coupe plus chaude. Vous n’avez pas besoin d’un matériau entièrement nouveau pour commencer : partez de celui que vous avez et améliorez-le.
Les modes de redécouverte : guidée et à l’aveugle
Les deux modes de redécouverte répondent à une autre question. Ils ne cherchent pas quelque chose de nouveau ; ils montrent avec quelle justesse le moteur atteint quelque chose de connu, pour que votre équipe puisse juger jusqu’où lui faire confiance avant de le diriger vers l’inconnu.
Guided Rediscovery
Choisissez Guided Rediscovery pour diriger le moteur vers un matériau connu et le regarder y arriver. Vous lui donnez des structures cibles connues. Il laisse les cibles guider la recherche et note à quel point chaque candidat s’en approche, et vous obtenez un niveau de correspondance pour chaque cible. Orientés vers le diborure de zirconium, les 14 candidats notés lui ont tous correspondu à chaque niveau, en une campagne d’environ trois minutes, le plus proche à 0,0008 Å près.
Il convient tôt dans une évaluation, quand votre équipe veut voir le moteur atteindre un matériau qu’elle connaît bien, ou comme courte première campagne qui montre à vos collègues comment se lisent les candidats, les niveaux de correspondance et les dossiers avant de consacrer un tour à une question ouverte.
Le Blind Rediscovery Benchmark
Choisissez le Blind Rediscovery Benchmark pour sceller la réponse et voir si elle revient. Vous lui donnez des cibles scellées, cachées au moteur pendant qu’il cherche et classe. Il cherche sans les réponses, gèle les candidats, puis révèle les cibles et note la correspondance, et vous obtenez un verdict gradué pour chaque cible. Un contrôle de fuite de données confirme que chaque correspondance a été trouvée, et non mémorisée ; une correspondance issue de quoi que ce soit ayant vu la cible n’est jamais présentée comme obtenue à l’aveugle.
D’après les relevés, deux céramiques ultra-haute température scellées ont toutes deux été trouvées, jusqu’à l’arrangement de leurs atomes, parmi 64 candidats en deux tours, en 32 minutes, pour moins de 20 cents. Lors d’une réexécution de bout en bout, 9 contrôles sur 9 ont été réussis. Choisissez-le avant de vous appuyer sur le moteur dans un nouveau domaine, quand un relecteur ou un client veut des preuves qu’il peut vérifier, ou quand vous voulez comparer des moteurs à armes égales.


Combiner les modes d’un tour à l’autre
La plupart des programmes ne choisissent pas un mode pour s’arrêter là. Une campagne se termine par une présélection et un dossier, et le tour suivant part de ce que vous avez retenu : gardez le gagnant, resserrez la cible, relancez. Voici une séquence courante.
- Le mettre à l’épreuve sur ce que vous connaissezExécutez Guided Rediscovery ou le Blind Rediscovery Benchmark sur des matériaux que votre équipe connaît déjà bien dans le domaine visé. Les niveaux de correspondance et les verdicts gradués vous disent jusqu’où faire confiance au moteur dans ce domaine.
- Ouvrir la questionExécutez Open Discovery à partir de la seule cible, avec vos exigences et vos préférences, pour obtenir un ensemble de candidats classés et diversifiés.
- Vérifier ce qui compteSoumettez les candidats que vous choisissez à une vérification ab initio de la stabilité, des constantes élastiques ou des phonons avant que quoi que ce soit ne parte au laboratoire.
- Affiner le meilleurPrenez le meilleur candidat, ou le matériau que vous fabriquez déjà, comme structure de départ pour Prototype-Guided Optimization, et classez ses variantes par rapport à lui.
- Passer le relais au laboratoireExportez la présélection sous forme de fichiers de structure avec leurs dossiers pour votre laboratoire, ou laissez Norck synthétiser, valider et fabriquer le gagnant.
Les équipes qui ont déjà un matériau en production inversent souvent l’ordre : Prototype-Guided Optimization d’abord, pour voir jusqu’où peut aller le matériau actuel, puis Open Discovery si l’écart avec la cible reste trop grand. Chaque mode fonctionne sur le même moteur et chaque candidat porte le même type de dossier : un tour se lit donc comme le suivant. Votre agent IA peut aussi exécuter la séquence : via MCP, il construit chaque plan, voit d’abord le prix et récupère les candidats, pour des campagnes de quelques minutes ou de plusieurs semaines.
Ce que vous disent les résultats consignés
- 14 sur 14candidats dans la cible en Guided Rediscovery
- 0.0008 Åle candidat le plus proche du diborure de zirconium
- 2 sur 2cibles scellées trouvées à l’aveugle
- < $0.20pour l’exécution à l’aveugle de 64 candidats
Les deux résultats de redécouverte répondent à des questions différentes. Guided Rediscovery montre que lorsqu’on indique au moteur où se trouve la réponse, il y parvient avec précision et rapidité. Le Blind Rediscovery Benchmark montre quelque chose de plus difficile : qu’il y parvient sans qu’on le lui montre. Lus à côté du résultat sur les formules, la bonne structure classée première pour 13 composés sur 15 à partir d’une simple formule, ils sont la raison de prendre une présélection Open Discovery assez au sérieux pour y consacrer du temps de laboratoire.
Les questions que posent les équipes
Par quel mode commencer ?
Partez de ce que vous avez. Une cible et rien d’autre oriente vers Open Discovery ; un matériau que vous fabriquez aujourd’hui oriente vers Prototype-Guided Optimization. Si votre équipe veut d’abord voir le moteur fonctionner dans votre domaine, commencez par Guided Rediscovery ou par un benchmark à l’aveugle sur des matériaux que vous connaissez.
Les quatre modes fonctionnent-ils dans chaque domaine ?
Oui. Les quatre modes fonctionnent dans les vingt-trois domaines, depuis votre propre agent, l’API, le SDK ou la ligne de commande.
Pouvons-nous exécuter un benchmark à l’aveugle sur des matériaux que nous connaissons ?
Oui. Les cibles restent scellées pendant que MS Lattice cherche et classe, les candidats sont gelés, et alors seulement les cibles sont révélées et chaque correspondance est notée.
Avons-nous besoin d’un matériau entièrement nouveau pour en tirer de la valeur ?
Non. Partez de celui que vous avez et améliorez-le. Prototype-Guided Optimization est conçu pour cela.


Le premier moteur de domaine de MatterSpace
MatterSpace a construit MS Lattice pour les scientifiques et les ingénieurs qui découvrent et conçoivent de nouveaux matériaux, à partir des propriétés dont leur produit a besoin.









