La découverte de matériaux par IA n’a jamais avancé aussi vite. MatterGen, de Microsoft, génère des structures à partir de propriétés cibles. OMat24 et Open Catalyst, de Meta FAIR, ont rendu le criblage rapide largement accessible. Schrödinger offre aux experts une simulation approfondie. Citrine Informatics apprend des propres données de laboratoire d’une entreprise. Periodic Labs, Lila Sciences et Orbital Materials associent l’IA à leurs propres laboratoires. Chacun a fait avancer le domaine.
MS Lattice répond à la question que se pose réellement une équipe matériaux : quels sont les quelques candidats à fabriquer en premier ?
Les chiffres que publie le domaine
- Microsoft et PNNL ont criblé 32,6 millions de candidats sur environ 1 000 machines cloud, en moins de 80 heures, pour arriver à 18.
- Materials Nexus a analysé plus de 100 millions de compositions et mis trois mois à concevoir, fabriquer et tester un aimant.
Un travail remarquable. Et une leçon claire : le nombre de candidats n’a jamais été le produit. La réponse, si.
Des exigences au cœur de la recherche, pas un filtre après coup
Les propositions qui enfreignent vos limites sont écartées avant même qu’une structure soit construite.
Une présélection, pas une botte de foin
Des centaines de candidats sérieux classés au lieu de millions de structures à trier, chacun avec le relevé de chaque contrôle.
Une intelligence qui apprend en cours d’exécution
Plus affûtée à chaque évaluation, pour environ un tiers de cent de calcul par candidat.
Des preuves que vous pouvez rejouer
Les deux cibles scellées trouvées à l’aveugle. 73 candidats sur 73 reconstruits à partir de leur dossier.
Prêt pour votre agent, et pour l’usine
Votre agent IA pilote MS Lattice via MCP. Quand un gagnant émerge, Norck le mène de la validation à la production, jusqu’aux pièces finies.









