KI-drevet materialoppdagelse har aldri gått raskere. MatterGen fra Microsoft genererer strukturer ut fra målegenskaper. OMat24 og Open Catalyst fra Meta FAIR gjorde rask screening allment tilgjengelig. Schrödinger gir eksperter dyp simulering. Citrine Informatics lærer av en bedrifts egne laboratoriedata. Periodic Labs, Lila Sciences og Orbital Materials kombinerer KI med egne laboratorier. Hver av dem har drevet feltet fremover.
MS Lattice svarer på spørsmålet et materialteam faktisk stiller: hvilke få skal vi lage først?
Tallene feltet rapporterer
- Microsoft og PNNL screenet 32,6 millioner kandidater på omtrent 1 000 skymaskiner, på under 80 timer, for å komme frem til 18.
- Materials Nexus analyserte mer enn 100 millioner sammensetninger og brukte tre måneder på å designe, lage og teste en magnet.
Bemerkelsesverdig arbeid. Og én klar lærdom: antallet kandidater var aldri produktet. Det er svaret.
Krav inne i søket, ikke et filter etter det
Forslag som bryter grensene dine, blir avvist før en struktur bygges.
En kortliste, ikke en høystakk
Hundrevis av rangerte, reelle kandidater i stedet for millioner av strukturer å sortere, hver med loggen over hver kontroll.
Intelligens som lærer mens den kjører
Skarpere for hver evaluering, til omtrent en tredjedels cent i regnekraft per kandidat.
Bevis du kan kjøre på nytt
Begge forseglede mål funnet blindt. 73 av 73 kandidater gjenskapt fra loggen sin.
Klar for agenten din, og for fabrikken
KI-agenten din styrer MS Lattice via MCP. Når en vinner dukker opp, tar Norck den gjennom validering og produksjon til ferdige deler.









