AI-driven materialupptäckt har aldrig gått snabbare. Microsofts MatterGen genererar strukturer utifrån målegenskaper. Meta FAIR:s OMat24 och Open Catalyst gjorde snabb screening allmänt tillgänglig. Schrödinger ger experter djupgående simulering. Citrine Informatics lär sig av ett företags egna labbdata. Periodic Labs, Lila Sciences och Orbital Materials kombinerar AI med egna labb. Var och en har fört området framåt.
MS Lattice besvarar den fråga ett materialteam faktiskt ställer: vilka få ska vi framställa först?
Siffrorna som området rapporterar
- Microsoft och PNNL screenade 32,6 miljoner kandidater på cirka 1 000 molnmaskiner, på under 80 timmar, för att nå fram till 18.
- Materials Nexus analyserade mer än 100 miljoner sammansättningar och behövde tre månader för att designa, framställa och testa en magnet.
Anmärkningsvärt arbete. Och en tydlig lärdom: antalet kandidater var aldrig produkten. Det är svaret.
Krav inne i sökningen, inte ett filter efter den
Förslag som bryter mot dina gränser avvisas innan någon struktur byggs.
En kortlista, inte en höstack
Hundratals rangordnade toppkandidater i stället för miljontals strukturer att sortera, var och en med historiken för varje kontroll.
Intelligens som lär sig medan den körs
Skarpare för varje utvärdering, för ungefär en tredjedels cent i beräkningskostnad per kandidat.
Bevis du kan köra om
Båda de förseglade målen hittade blint. 73 av 73 kandidater återskapade från sin historik.
Redo för din agent, och för fabriken
Din AI-agent styr MS Lattice via MCP. När en vinnare dyker upp tar Norck den vidare genom validering och produktion till färdiga komponenter.









