Varje leverantör av AI-driven materialupptäckt har en demo, och demon fungerar alltid. Det ditt team behöver veta är något annat: om motorn kommer att fungera på ditt mål, med dina gränser, till ett pris du kan planera för, och om du kan kontrollera dess svar utan att behöva ta någons ord för dem.
Den här guiden är en checklista för det samtalet, skriven för att användas med vilken leverantör som helst, MatterSpace inräknat. Varje fråga kommer med en beskrivning av hur ett bra svar ser ut. Efter listan visar vi hur MS Lattice svarar utifrån sina egna registrerade resultat, så att du kan hålla alla, oss inräknade, till samma ribba.
Därför slår en checklista en demo
AI-driven materialupptäckt omfattar mycket olika slags produkter. Vissa genererar strukturer och screenar dem i efterhand. Vissa gör screeningen snabb. Vissa ger experter djupgående verktyg att styra för hand. Vissa lär sig av ett företags tidigare labbresultat, och vissa kombinerar AI med egna labb enligt en partnerskapstidplan. Varje angreppssätt har fört fältet framåt. De är inte utbytbara, och en demo på ett handplockat material säger dig lite om vilket som passar ditt program.
Kostnaden för ett dåligt val syns sällan på mjukvarufakturan. Den syns i labbet, där varje kandidat tar syntestid, karakteriseringstid och dina medarbetares uppmärksamhet. En bra utvärdering handlar ytterst om en sak: hur stor del av ditt labbs tid som kommer att gå till kandidater som är värda att framställa.
De tio frågorna
Ställ dem till varje leverantör på din lista. Be om belägg, inte adjektiv: vad som mättes, mot vilken ribba och när den sattes. Ett bra svar ger en siffra med sina förutsättningar och pekar på en historik som ditt team kan granska.
- Har den hittat svar som den aldrig fått se?Det enda upptäcktstest som inte går att förfalska är blint: målet förseglas medan motorn söker och rangordnar, kandidaterna fryses, och först då avslöjas svaret. Ett bra svar inkluderar en läckagekontroll som visar att resultatet hittades, inte memorerades.
- Kan den få strukturen rätt utifrån enbart en formel?Många egenskaper beror på hur atomerna är ordnade, inte bara på vilka atomer som finns. Fråga hur ofta motorn rankar rätt kristallstruktur högst när den inte får något annat än en kemisk formel, mot en ribba som satts före körningen, och hur den klarar sig på föreningar som hållits utanför allt den utgår från.
- Kontrolleras dess bedömningar med fysik?Snabba uppskattningar gör en sökning överkomlig, men de är inte sista ordet. Ett bra svar erbjuder verifiering från första principer för de kandidater som betyder något, visar stabilitetsbedömningar som testats mot arrangemang som är kända för att vara fel, och visar referensegenskaper som återgetts inom en tolerans som angetts i förväg.
- Kan du återskapa vilken kandidat som helst från dess historik?En poäng är ett påstående. Fråga om varje kandidat har med sig historiken för varje kontroll den klarade och var någon stannade, om den historiken räcker för att återskapa kandidaten, och om någon har granskat det i produktionsskala.
- Är dina krav inbyggda i sökningen?Om dina gränser tillämpas som ett filter efter genereringen betalar du för varje struktur som bryter mot dem. Ett bra svar säger att förslag som bryter mot dina måsten avvisas innan någon struktur byggs, och att önskemål drivs ovanpå måstena, aldrig byts mot dem.
- Hur lång är kortlistan som ditt labb får?Miljontals kandidater ger en rubrik; ditt labb framställer en handfull åt gången. Fråga vad en typisk kampanj lämnar över, hur den är rangordnad och om kandidaterna medvetet skiljer sig från varandra eller är en familj av nästan identiska kopior.
- Vad kostar en kandidat, och när ser du priset?Be om beräkningskostnaden per kandidat i en registrerad körning, inte ett listpris på begäran. Ett bra svar visar priset för varje plan före start och håller varje kampanj inom en budget som du sätter.
- Kan din egen AI-agent styra den?Fråga om en agent kan köra hela arbetsflödet, från att ange behovet till att läsa tillbaka bevisen, via en standardanslutning som MCP, och om ett API och en SDK når samma motor.
- Vad händer efter kortlistan?Ett material är inte upptäckt förrän det är framställt. Fråga vad leverantören lämnar över till ditt labb, i vilket filformat, och om det finns en väg vidare till syntes, testning, produktion och färdiga komponenter om du vill ha det.
- Vad gör resultaten inte anspråk på?Varje motors siffror är screeningsuppskattningar av något slag. En bra leverantör säger, domän för domän, vilka egenskaper som uppskattas, vilka som inte förutsägs alls och vad som måste testas innan någon förlitar sig på en kandidat. Var försiktig med ett svar som inte anger några gränser.
Så svarar MS Lattice om bevis
De tre första frågorna handlar om huruvida en motor kan hitta saker. Här är MS Lattice-resultaten, som de ser ut i dag.
- 2 av 2förseglade mål hittade blint
- 13 av 15rätt strukturer rankade högst, utifrån enbart en formel
- 4 av 4rätta stabilitetsbedömningar från första principer
- 5 av 5referensvärden för kisel återgivna
I Blind Rediscovery Benchmark förblev två ultrahögtemperaturkeramer förseglade medan MS Lattice sökte och rangordnade. Målen styrde ingenting och rangordnade ingenting. När kandidaterna frystes och målen avslöjades hade båda hittats, ända ner till hur deras atomer var ordnade: 64 kandidater i två omgångar, cirka 32 minuters beräkningstid, under 0,20 $. Varje matchningsnivå klarades för båda målen, en fullständig omkörning klarade 9 av 9 kontroller, och en läckagekontroll bekräftade att matchningen hittades, inte memorerades.
Med inget annat än en kemisk formel rankade MS Lattice rätt kristallstruktur högst för 13 av 15 föreningar, mot en ribba på 10 som satts före körningen, på cirka 38 sekunder per förening. Fyra föreningar som hölls utanför allt den utgår från, CaO, SrF₂, BaTiO₃ och Ni₃Al, återskapades inom 0,016 till 0,037 Å från referensstrukturerna, och tre av dem rankades högst.
Fysik från första principer finns på begäran för de kandidater du väljer. Dess stabilitetskontroll bedömde Mg₂Si och MoSi₂ som stabila, 0,165 och 0,284 eV/atom under sina konkurrerande faser, och bedömde avsiktligt felaktiga arrangemang av båda som instabila: fyra rätta bedömningar av fyra. Den återgav också kiselns gitterkonstant, dess tre elastiska konstanter och dess högsta optiska fononfrekvens, var och en inom den tolerans som satts före körningen.


Så svarar MS Lattice om belägg och krav
Varje kandidat från MS Lattice har med sig historiken för varje kontroll: vad den klarade, vad den inte klarade och var den stoppades, med skälet, tillsammans med osäkerheten i varje uppskattning och dess stabilitet mot varje konkurrerande fas i dess kemi. Varje kandidat kontrolleras också mot de kända kristallerna, så att du ser vad som är nytt. Från tre kampanjer i produktionsskala återskapades alla 73 granskade kandidater från den historiken, varje egenskap inom sin angivna tolerans.
Dina krav är inbyggda i sökningen. Ett förslag som bryter mot dem avvisas innan någon struktur byggs, och dina preferenser drivs så långt det går ovanpå dem, aldrig på deras bekostnad. Det är också därför kortlistan är kort: hundratals rangordnade toppkandidater, medvetet olika varandra, i stället för miljontals strukturer att sortera. I det blinda benchmarktestet räckte 64 kandidater för att hitta båda de förseglade målen.
Så svarar MS Lattice om kostnad, agenter och komponenter
Beräkningskraften går bara till kandidater som kan uppfylla dina gränser. Enligt de registrerade körningarna blir det ungefär en tredjedels cent, ≈ 0,003 $, och cirka 30 sekunders beräkningstid per kandidat i det blinda benchmarktestet. En AI-agents kompletta kampanj med 8 kandidater kostade under 0,003 $. Varje plan visar sin uppskattade kostnad före start, en plan som inte kan köras avvisas med skälet innan något startar, och varje kampanj körs inom den budget du sätter.
MS Lattice är motorn; din AI-agent är föraren. En MCP-anslutning ger varje agent som talar MCP 120 verktyg och hela kedjan, från att beskriva behovet till att läsa tillbaka bevisen. Inför varje release kör en AI-agent som agerar kund hela det arbetsflödet, en kampanj med 8 kandidater på 4 till 5 minuter. Samma motor nås via REST API, Python SDK och kommandoraden.
Efter sökningen får ditt labb en rangordnad kortlista med en CIF-strukturfil i standardformat för varje kandidat, och hela kampanjen kan exporteras som CSV eller JSON. Om du vill gå vidare kör Norck MS Lattice och syntetiserar, validerar och tillverkar sedan vinnaren, med omfattningar från enbart upptäckt till hela kedjan, färdiga komponenter inräknade.
Vad resultaten inte gör anspråk på
Den tionde frågan är viktigast, så här är MS Lattice-svaret i sin helhet. Siffrorna är screeningsuppskattningar och beräkningar för bulkkristallen, inte mätningar på ett nytt material. Var och en av de tjugotre materialdomänerna anger vad du specificerar, vad du får och var dess uppskattningar tar slut. För magneter beror till exempel koerciviteten i en färdig magnet på mikrostruktur och bearbetning, så en kvalitet måste framställas och mätas innan den går in i en motor.
Frågor som team ställer
Bör vi köra vårt eget blinda test innan vi köper?
Det är det starkaste belägg du kan få. Med MS Lattice är Blind Rediscovery Benchmark ett av de fyra lägena, så ditt team kan försegla mål som det redan känner till och se om de kommer tillbaka.
Hur jämför vi priser mellan leverantörer?
Be var och en om beräkningskostnaden per kandidat i en registrerad körning och om priset för en specifik plan före start. Enligt de registrerade körningarna ligger MS Lattice på ungefär en tredjedels cent per kandidat, och varje plan visar sitt pris innan den körs.
Vad bör en pilot lämna över?
En pilot kör MS Lattice på ditt eget mål och ger dig en rangordnad kortlista, med varje kandidat som en strukturfil med sin historik, redo för ditt labb.
Förblir vårt arbete vårt?
Fråga varje leverantör. Med MS Lattice stannar dina kampanjer och de data du tar med inom din organisation, och innan en pilot startar kommer vi överens med dig om vad som delas, var det behandlas och hur länge det sparas.


MatterSpaces första domänmotor
MatterSpace byggde MS Lattice för de forskare och ingenjörer som upptäcker och designar nya material, med utgångspunkt i de egenskaper deras produkt behöver.









