Chaque fournisseur de découverte de matériaux par IA a une démo, et la démo fonctionne toujours. Ce que votre équipe doit savoir est autre chose : si le moteur fonctionnera sur votre cible, avec vos limites, à un prix que vous pouvez prévoir, et si vous pouvez vérifier ses réponses sans croire qui que ce soit sur parole.
Ce guide est une liste de contrôle pour cette conversation, rédigée pour servir avec n’importe quel fournisseur, MatterSpace compris. Chaque question s’accompagne de ce à quoi ressemble une bonne réponse. Après la liste, nous montrons comment MS Lattice répond à partir de ses propres relevés, pour que vous puissiez tenir tout le monde, nous compris, au même niveau d’exigence.
Pourquoi une liste de contrôle vaut mieux qu’une démo
La découverte de matériaux par IA recouvre des types de produits très différents. Certains génèrent des structures et les criblent ensuite. Certains rendent le criblage rapide. Certains donnent aux experts des outils approfondis à piloter à la main. Certains apprennent des résultats de laboratoire passés d’une entreprise, et certains associent l’IA à leurs propres laboratoires, selon le calendrier d’un partenariat. Chaque approche a fait avancer le domaine. Elles ne sont pas interchangeables, et une démo sur un matériau choisi avec soin vous dit peu de chose sur celle qui convient à votre programme.
Le coût d’un mauvais choix apparaît rarement sur la facture du logiciel. Il apparaît au laboratoire, où chaque candidat prend du temps de synthèse, du temps de caractérisation et l’attention de vos équipes. Une bonne évaluation se ramène à une seule chose : quelle part du temps de votre laboratoire ira à des candidats qui valent d’être fabriqués.
Les dix questions
Posez-les à chaque fournisseur de votre liste. Demandez des preuves, pas des adjectifs : ce qui a été mesuré, au regard de quel seuil, fixé quand. Une bonne réponse donne un chiffre avec ses conditions et renvoie à un relevé que votre équipe peut inspecter.
- A-t-il trouvé des réponses qu’on ne lui a jamais montrées ?Le seul test de découverte qui ne peut pas être truqué est à l’aveugle : la cible est mise sous scellés pendant que le moteur cherche et classe, les candidats sont gelés, et alors seulement la réponse est révélée. Une bonne réponse inclut un contrôle de fuite de données montrant que le résultat a été trouvé, et non mémorisé.
- Peut-il trouver la bonne structure à partir d’une simple formule ?De nombreuses propriétés dépendent de la façon dont les atomes sont arrangés, pas seulement des atomes présents. Demandez à quelle fréquence le moteur classe premier la bonne structure cristalline quand on ne lui donne qu’une formule chimique, au regard d’un seuil fixé avant l’exécution, et comment il s’en sort sur des composés exclus de tout ce dont il part.
- Ses verdicts sont-ils vérifiés par la physique ?Les estimations rapides rendent une recherche abordable, mais elles n’ont pas le dernier mot. Une bonne réponse propose une vérification ab initio pour les candidats qui comptent, montre des verdicts de stabilité testés sur des arrangements connus pour être erronés, et montre des propriétés de référence reproduites dans une tolérance déclarée à l’avance.
- Pouvez-vous reconstruire n’importe quel candidat à partir de son dossier ?Un score est une affirmation. Demandez si chaque candidat porte le relevé de chaque contrôle qu’il a réussi et de l’endroit où il s’est arrêté le cas échéant, si ce relevé suffit à reconstruire le candidat, et si quelqu’un l’a audité à l’échelle de la production.
- Vos exigences sont-elles tenues au cœur de la recherche ?Si vos limites sont appliquées comme un filtre après la génération, vous payez pour chaque structure qui les enfreint. Une bonne réponse indique que les propositions qui enfreignent vos indispensables sont écartées avant même qu’une structure soit construite, et que les souhaitables sont poussés en plus des indispensables, jamais en échange de ceux-ci.
- Quelle est la longueur de la présélection que reçoit votre laboratoire ?Des millions de candidats font les gros titres ; votre laboratoire en fabrique une poignée à la fois. Demandez ce que remet une campagne typique, comment elle est classée, et si les candidats sont volontairement différents les uns des autres ou forment une seule famille de quasi-copies.
- Combien coûte un candidat, et quand voyez-vous le prix ?Demandez le coût de calcul par candidat sur une exécution consignée, pas un prix catalogue sur demande. Une bonne réponse affiche le prix de chaque plan avant le lancement et maintient chaque campagne dans un budget que vous fixez.
- Votre propre agent IA peut-il le piloter ?Demandez si un agent peut exécuter tout le flux de travail, de l’énoncé du besoin à la récupération des preuves, via une connexion standard comme MCP, et si une API et un SDK donnent accès au même moteur.
- Que se passe-t-il après la présélection ?Un matériau n’est pas découvert tant qu’il n’est pas fabriqué. Demandez ce que le fournisseur remet à votre laboratoire, dans quel format de fichier, et s’il existe un chemin vers la synthèse, les essais, la production et les pièces finies si vous le souhaitez.
- Qu’est-ce que les résultats ne prétendent pas ?Les chiffres de tout moteur sont des estimations de criblage d’une forme ou d’une autre. Un bon fournisseur dit, domaine par domaine, quelles propriétés sont estimées, lesquelles ne sont pas prédites du tout et ce qui doit être testé avant que quiconque s’appuie sur un candidat. Méfiez-vous d’une réponse qui ne comporte aucune limite.
Comment MS Lattice répond sur la preuve
Les trois premières questions demandent si un moteur sait trouver. Voici le bilan de MS Lattice, tel qu’il est aujourd’hui.
- 2 sur 2cibles scellées trouvées à l’aveugle
- 13 sur 15bonnes structures classées premières, à partir d’une simple formule
- 4 sur 4verdicts de stabilité ab initio exacts
- 5 sur 5valeurs de référence du silicium reproduites
Dans le Blind Rediscovery Benchmark, deux céramiques à ultra-haute température sont restées scellées pendant que MS Lattice cherchait et classait. Les cibles n’ont rien orienté et rien classé. Une fois les candidats gelés et les cibles révélées, toutes deux avaient été trouvées, jusqu’à l’arrangement de leurs atomes : 64 candidats en deux tours, environ 32 minutes de calcul, moins de 0,20 $ US. Tous les niveaux de correspondance ont été validés pour les deux cibles, une réexécution complète a réussi 9 contrôles sur 9, et un contrôle de fuite de données a confirmé que la correspondance avait été trouvée, et non mémorisée.
À partir d’une simple formule chimique, MS Lattice a classé premier la bonne structure cristalline pour 13 composés sur 15, face à un seuil de 10 fixé avant l’exécution, en environ 38 secondes par composé. Quatre composés exclus de tout ce dont il part, CaO, SrF₂, BaTiO₃ et Ni₃Al, ont été reconstruits avec un écart de 0,016 à 0,037 Å par rapport aux structures de référence, et trois d’entre eux ont été classés premiers.
La physique ab initio est disponible à la demande pour les candidats que vous choisissez. Son contrôle de stabilité a jugé Mg₂Si et MoSi₂ stables, à 0,165 et 0,284 eV/atom en dessous de leurs phases concurrentes, et a jugé instables des arrangements volontairement erronés de chacun : quatre verdicts justes sur quatre. Elle a aussi reproduit le paramètre de maille du silicium, ses trois constantes élastiques et sa fréquence de phonon optique la plus élevée, chacun dans la tolérance fixée avant l’exécution.


Comment MS Lattice répond sur les preuves et les exigences
Chaque candidat MS Lattice porte le relevé de chaque contrôle : ce qu’il a réussi, ce qu’il a échoué et où il s’est arrêté, avec la raison, ainsi que l’incertitude de chaque estimation et sa stabilité face à chaque phase concurrente de sa chimie. Chaque candidat est aussi comparé aux cristaux connus, pour que vous voyiez ce qui est nouveau. Sur trois campagnes de taille production, les 73 candidats audités ont tous été reconstruits à partir de ce relevé, chaque propriété dans sa tolérance déclarée.
Vos exigences sont tenues au cœur de la recherche. Une proposition qui les enfreint est écartée avant même qu’une structure soit construite, et vos préférences sont poussées au maximum en plus de celles-ci, jamais à leurs dépens. C’est aussi pourquoi la présélection est courte : des centaines de candidats sérieux classés, volontairement différents les uns des autres, au lieu de millions de structures à trier. Dans le benchmark à l’aveugle, 64 candidats ont suffi à trouver les deux cibles scellées.
Comment MS Lattice répond sur le coût, les agents et les pièces
Le calcul ne va qu’aux candidats capables de respecter vos limites. D’après les relevés, cela représente environ un tiers de cent, ≈ 0,003 $ US, et environ 30 secondes de calcul par candidat dans le benchmark à l’aveugle. La campagne complète de 8 candidats d’un agent IA a coûté moins de 0,003 $ US. Chaque plan affiche son coût estimé avant le lancement, un plan qui ne peut pas s’exécuter est refusé avec la raison avant que quoi que ce soit ne démarre, et chaque campagne s’exécute dans le budget que vous fixez.
MS Lattice est le moteur ; votre agent IA est le pilote. Une seule connexion MCP donne à tout agent qui parle MCP 120 outils et toute la chaîne, de la description du besoin à la récupération des preuves. Avant chaque version, un agent IA jouant le rôle d’un client exécute ce flux de travail complet, une campagne de 8 candidats en 4 à 5 minutes. Le même moteur est accessible via la REST API, le Python SDK et la ligne de commande.
Après la recherche, votre laboratoire reçoit une présélection classée avec un fichier de structure CIF standard pour chaque candidat, et toute la campagne peut être exportée en CSV ou en JSON. Si vous voulez aller plus loin, Norck exécute MS Lattice, puis synthétise, valide et fabrique le gagnant, avec des périmètres allant de la découverte seule au bout en bout, pièces finies comprises.
Ce que les résultats ne prétendent pas
La dixième question est la plus importante ; voici donc la réponse complète de MS Lattice. Ses chiffres sont des estimations de criblage et des calculs pour le cristal massif, pas des mesures d’un nouveau matériau. Chacun de ses vingt-trois domaines de matériaux indique ce que vous spécifiez, ce que vous recevez et où s’arrêtent ses estimations. Pour les aimants, par exemple, la coercitivité d’un aimant fini dépend de la microstructure et de l’élaboration : une nuance doit donc être fabriquée et mesurée avant d’entrer dans un moteur.
Les questions que posent les équipes
Devons-nous mener notre propre test à l’aveugle avant d’acheter ?
C’est la preuve la plus solide que vous puissiez obtenir. Avec MS Lattice, le Blind Rediscovery Benchmark est l’un des quatre modes : votre équipe peut donc sceller des cibles qu’elle connaît déjà et voir si elles reviennent.
Comment comparer les prix d’un fournisseur à l’autre ?
Demandez à chacun le coût de calcul par candidat sur une exécution consignée et le prix d’un plan précis avant le lancement. D’après les relevés de MS Lattice, il revient à environ un tiers de cent par candidat, et chaque plan affiche son prix avant de s’exécuter.
Que doit remettre un pilote ?
Un pilote exécute MS Lattice sur votre propre cible et vous remet une présélection classée, chaque candidat sous forme de fichier de structure avec son dossier, prête pour votre laboratoire.
Notre travail reste-t-il le nôtre ?
Posez la question à chaque fournisseur. Avec MS Lattice, vos campagnes et les données que vous apportez restent au sein de votre organisation, et avant le début d’un pilote, nous convenons avec vous de ce qui est partagé, de l’endroit où c’est traité et de la durée de conservation.


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.









