材料设计是推动纳米电子学、半导体制造及储能技术突破的核心基石。然而，传统新材料开发周期长、成本高，严重制约了技术迭代。通用原子间势机器学习模型旨在通过精准预测材料稳定性与性能，大幅加速这一过程。相比基于第一性原理的传统模拟，此类模型运算速度快数个数量级，将原本难以企及的计算转化为数小时内可完成的常规任务。自MatterSim-v1发布以来，凭借其在真实条件（包括有限温度和压力）下精准模拟材料的能力，已在材料科学界获得广泛认可。
近日，该团队分享了关于MatterSim的最新进展，涵盖实验验证、性能优化及全新多任务基础模型的推出。这些更新不仅证实了模型在预测高热导率材料方面的准确性，还通过开源提升易用性，并引入了能捕捉复杂多属性现象的新一代架构。
实验验证：从海量筛选到实物合成
高热导率材料在散热管理中扮演关键角色，能有效防止过热并提升能效。金刚石、铜和硅等成熟导热材料已广泛应用于各类冷却场景。开发新一代导热材料有望推动计算机、功率电子及航空航天技术的革新，但这依赖于对候选材料热导率的精准预测。
在固体中，热量主要通过晶格振动（声子）和自由电子传输。利用机器学习原子间势估算声子贡献，可对数千种候选材料进行高通量筛选，从而在昂贵的实验验证前锁定最具潜力的材料。德州大学达拉斯分校的Bing Lv教授指出：“MatterSim生成了迄今为止最大的计算热导率数据库，这为探索更广阔的材料空间打开了大门。”
通过与德州大学达拉斯分校、伊利诺伊大学厄巴纳-香槟分校及加州大学戴维斯分校的合作，团队利用MatterSim-v1筛选了超过24万种候选材料。结果显示，模型预测与第一性原理模拟高度吻合。加州大学戴维斯分校的Davide Donadio教授表示：“MatterSim在精度与计算效率之间的平衡令人惊叹，这是解锁数十万晶体大规模筛选的关键钥匙。”
基于预测结果，团队锁定四方磷化钽（TaP）为潜在的高热导率材料。随后在德州大学达拉斯分校成功合成该材料，并在伊利诺伊大学厄巴纳-香槟分校测得其热导率为152 W/m/K，接近硅的水平。尽管四方TaP并非首次被合成，但此前未被视作导热材料。伊利诺伊大学厄巴纳-香槟分校的David Cahill教授强调：“这是首次能在大规模上测试控制热导率的传统认知，同时发现平衡密度、元素丰度及环境稳定性等新功能材料。”
性能跃升：开源加速与集成优化
为提升MatterSim-v1的实用性，团队发布了多项开源性能改进。通过构建更快的图结构、提前编译以及减少原子表示间的转换，模型推理速度显著提升：MatterSim-v1.0.0-5M版本加速3倍，MatterSim-v1.0.0-1M版本加速5倍。
此外，团队将MatterSim-v1集成至广泛使用的LAMMPS模拟软件中。这一举措使得用户能够轻松在现有工作流中将模型推理扩展至多GPU环境，大幅降低了大规模模拟的技术门槛，促进了工业界与学术界的广泛应用。
架构革新：多任务基础模型MatterSim-MT
基于MatterSim-v1的成功，团队正式推出MatterSim-MT，这是一个用于计算机辅助材料模拟与表征的多任务基础模型。该模型原生预测能量、力、应力及多种关键材料属性。
MatterSim-MT在涵盖89种元素、温度高达5000 K、压力高达1000 GPa的3500万多个第一性原理标注结构上进行预训练，并在巴德电荷、磁矩、Born有效电荷及介电矩阵等多种属性上进行微调。其多任务架构不仅能预测材料结构、动力学和热力学，还能模拟传统势能面无法捕捉的复杂现象，如催化反应、铁电开关切换及电化学氧化还原过程。
团队通过振动光谱、铁电开关和电化学氧化还原三个案例展示了其多任务能力。研究表明，MatterSim-MT随数据和参数增加表现优异，可高效微调至更高理论精度，并通过主动学习系统性地扩展至新体系。这些进展为能源存储与转化等复杂应用提供了强大的模拟工具。