Ogni campagna di scoperta parte da qualcosa. A volte è solo un target: una durezza, una temperatura, un prezzo. A volte è un materiale che il tuo team produce già e vuole spingere oltre. E a volte, prima di affidare a un motore una domanda aperta, vuoi vederlo arrivare a una risposta che conosci già.
MS Lattice le tratta come quattro modalità su un unico motore: Open Discovery, Prototype-Guided Optimization, Guided Rediscovery e il Blind Rediscovery Benchmark. Tutte e quattro funzionano in tutti e ventitré i domini di materiali, dal tuo agente, dall’API, dall’SDK o dalla riga di comando. Questa guida spiega cosa richiede ciascuna modalità, cosa fa e cosa ottieni, quando è adatta e come i team le combinano.
Scegli in base a ciò che hai già
Il modo più semplice per scegliere è partire da ciò che hai in mano, e da quanta parte della risposta il motore deve vedere mentre cerca.
- Un target, e niente da cui partire: Open Discovery. Il motore vede solo il tuo target.
- Un materiale da migliorare: Prototype-Guided Optimization. Il motore vede il tuo target e la tua struttura.
- Target come guida: Guided Rediscovery. Il motore vede i target noti, come guida.
- Target tenuti sigillati: il Blind Rediscovery Benchmark. Il motore non vede nessuno dei target, fino al congelamento.
Le prime due modalità trovano e migliorano materiali. Le altre due mettono alla prova il motore: lo puntano verso risposte già note, in piena vista o sotto sigillo, così che il suo arrivo possa essere misurato. Insieme coprono la gamma di domande che si pone un programma sui materiali, da quale materiale realizzare dopo a se il motore merita il tempo del tuo laboratorio.


Open Discovery: un target, e niente da cui partire
Scegli Open Discovery quando hai un target, non una struttura di partenza. Le fornisci un dominio, un preset di obiettivi o i tuoi target, e un budget. Esplora l’intero spazio delle composizioni e restituisce un insieme di candidati classificato e diversificato, ognuno con la sua documentazione. È la scelta migliore per nuovi materiali, dal solo target.
È la progettazione inversa nella sua forma più semplice. L’esempio registrato è un rivestimento per lavorazioni meccaniche descritto da tre numeri: 28 GPa, 800 °C e $30 al chilo. Non è stata fornita alcuna struttura di partenza, e (Ti,Al)N e (Cr,Al)N, i rivestimenti su cui oggi si regge l’industria, sono finiti tra i primi cinque. Un motore che arriva alle risposte dell’industria stessa partendo dal solo compito ti dà un motivo per esaminare con attenzione il resto della sua preselezione.
Open Discovery è adatta quando un nuovo prodotto richiede un materiale con cui il tuo team non ha mai lavorato, quando un problema di approvvigionamento esclude l’elemento da cui dipende il tuo materiale attuale e vuoi guardare il campo con occhi nuovi, oppure quando vuoi un primo sguardo ampio su un dominio prima di impegnarti su una famiglia. La diversità è voluta: la preselezione ti offre risposte forti diverse, non un’unica famiglia di quasi copie.
Prototype-Guided Optimization: un materiale da migliorare
Scegli Prototype-Guided Optimization quando hai un buon materiale e vuoi migliorarlo. Le fornisci una struttura di partenza e cosa migliorare. Esplora le varianti intorno alla tua struttura e confronta ognuna con l’originale, e ottieni varianti classificate rispetto al tuo prototipo. È la scelta migliore per portare più lontano il materiale che usi oggi.
Gran parte del lavoro industriale sui materiali assomiglia a questo. Un materiale già in produzione porta con sé anni di conoscenza di processo, rapporti con i fornitori e storico di test, quindi cambiarlo è costoso, e la modifica migliore è spesso piccola: una sostituzione che mantiene una proprietà a una temperatura più alta, riduce un elemento scarso o abbassa il costo lasciando tutto il resto quasi invariato. Poiché ogni variante viene confrontata con l’originale, il tuo team vede cosa guadagna e cosa cede ciascuna.
L’esempio che dà MS Lattice è il magnete automotive di oggi, esplorato alla ricerca di varianti che mantengano la loro forza alla temperatura del motore. Lo stesso schema vale per un catodo che vuoi con meno cobalto o per un rivestimento che deve resistere a un taglio più caldo. Non ti serve un materiale completamente nuovo per iniziare: parti da quello che hai e rendilo migliore.
Le modalità di riscoperta: guidata e alla cieca
Le due modalità di riscoperta rispondono a una domanda diversa. Non cercano qualcosa di nuovo; mostrano quanto bene il motore arriva a qualcosa di noto, così il tuo team può giudicare quanto fidarsi prima di puntarlo verso l’ignoto.
Guided Rediscovery
Scegli Guided Rediscovery per puntare il motore verso un materiale noto e vederlo arrivare. Le fornisci strutture target note. Lascia che i target guidino la ricerca e valuta quanto ogni candidato vi si avvicina, e ottieni un livello di corrispondenza per ogni target. Orientati verso il diboruro di zirconio, tutti i 14 candidati valutati hanno raggiunto la corrispondenza a ogni livello, in una campagna di circa tre minuti, il più vicino entro 0,0008 Å.
È adatta nelle prime fasi di una valutazione, quando il tuo team vuole vedere il motore arrivare a un materiale che conosce bene, oppure come breve campagna iniziale che mostra ai colleghi come si leggono candidati, livelli di corrispondenza e documentazione prima di dedicare un giro a una domanda aperta.
Il Blind Rediscovery Benchmark
Scegli il Blind Rediscovery Benchmark per sigillare la risposta e vedere se torna. Gli fornisci target sigillati, nascosti al motore mentre cerca e classifica. Cerca senza le risposte, congela i candidati, poi rivela i target e valuta la corrispondenza, e ottieni un verdetto graduato per ogni target. Un controllo contro le fughe di dati conferma che ogni corrispondenza è stata trovata, non ricordata; una corrispondenza ottenuta da qualcosa che aveva visto il target non viene mai definita alla cieca.
Dai dati registrati, due ceramiche sigillate per temperature ultra-elevate sono state trovate entrambe, fino alla disposizione dei loro atomi, tra 64 candidati in due giri, in 32 minuti, per meno di 20 centesimi. Rieseguito dall’inizio alla fine, ha superato 9 controlli su 9. Sceglilo prima di affidarti al motore in un nuovo dominio, quando un revisore o un cliente vuole prove verificabili, oppure quando vuoi confrontare motori a parità di condizioni.


Combinare le modalità nel corso dei giri
La maggior parte dei programmi non sceglie una modalità e si ferma lì. Una campagna si conclude con una preselezione e una documentazione, e il giro successivo parte da ciò che hai tenuto: tieni il vincitore, restringi il target, riparti. Una sequenza comune è questa.
- Mettilo alla prova su ciò che conosciEsegui Guided Rediscovery o il Blind Rediscovery Benchmark su materiali che il tuo team conosce già nel dominio target. I livelli di corrispondenza e i verdetti graduati ti dicono quanto fidarti del motore in quel campo.
- Apri la domandaEsegui Open Discovery dal solo target, con i tuoi requisiti e le tue preferenze, per ottenere un insieme di candidati classificato e diversificato.
- Verifica ciò che contaSottoponi i candidati che scegli alla verifica da principi primi di stabilità, costanti elastiche o fononi prima che qualsiasi cosa arrivi in laboratorio.
- Affina i miglioriPrendi il candidato più forte, o il materiale che produci già, come struttura di partenza per Prototype-Guided Optimization, e classifica le sue varianti rispetto a esso.
- Passa al laboratorioEsporta la preselezione come file di struttura con la loro documentazione per il tuo laboratorio, oppure lascia che Norck sintetizzi, validi e produca il vincitore.
I team con un materiale già in produzione spesso seguono l’ordine inverso: prima Prototype-Guided Optimization, per vedere fin dove può arrivare il materiale di oggi, poi Open Discovery se la distanza dal target è ancora troppo ampia. Ogni modalità gira sullo stesso motore e ogni candidato porta con sé lo stesso tipo di documentazione, quindi un giro si legge come il successivo. Anche il tuo agente IA può eseguire la sequenza: tramite MCP costruisce ogni piano, ne vede prima il prezzo e recupera i candidati, per campagne di minuti o di settimane.
Cosa ti dicono i risultati registrati
- 14 su 14candidati centrati sul target in Guided Rediscovery
- 0.0008 Åil candidato più vicino al diboruro di zirconio
- 2 su 2target sigillati trovati alla cieca
- < $0.20per l’esecuzione alla cieca di 64 candidati
I due risultati di riscoperta rispondono a domande diverse. Guided Rediscovery mostra che, quando al motore viene indicato dove si trova la risposta, ci arriva con precisione e rapidità. Il Blind Rediscovery Benchmark mostra qualcosa di più difficile: che ci arriva senza che gli venga indicato. Letti insieme al risultato sulla formula, la struttura giusta classificata al primo posto per 13 composti su 15 partendo dalla sola formula, sono il motivo per prendere una preselezione di Open Discovery abbastanza sul serio da dedicarle tempo di laboratorio.
Domande frequenti dei team
Da quale modalità dovremmo iniziare?
Parti da ciò che hai. Un target e nient’altro indica Open Discovery; un materiale che produci oggi indica Prototype-Guided Optimization. Se il tuo team vuole prima vedere il motore all’opera nel tuo dominio, inizia con Guided Rediscovery o con un benchmark alla cieca su materiali che conosci.
Tutte e quattro le modalità funzionano in ogni dominio?
Sì. Tutte e quattro le modalità funzionano in tutti e ventitré i domini, dal tuo agente, dall’API, dall’SDK o dalla riga di comando.
Possiamo eseguire un benchmark alla cieca su materiali che conosciamo?
Sì. I target restano sigillati mentre MS Lattice cerca e classifica, i candidati vengono congelati e solo allora i target vengono rivelati e ogni corrispondenza viene valutata.
Ci serve un materiale completamente nuovo per ottenere valore?
No. Parti da quello che hai e rendilo migliore. Prototype-Guided Optimization è pensata per questo.


Il primo motore di dominio di MatterSpace
MatterSpace ha costruito MS Lattice per gli scienziati e gli ingegneri che scoprono e progettano nuovi materiali, partendo dalle proprietà di cui il loro prodotto ha bisogno.









