材料版AlphaFold来了！40个工业任务全方位SOTA，AI4S迎来行业大突破

背景：在材料科学领域，AI模型在理论计算数据集上表现优异，但往往因训练数据与真实实验存在偏差，难以在工业实验任务中应用。主要原因包括真实数据稀缺、存在噪声和误差，且任务需求高度特定。研究目的：解决当前AI4S模型在真实材料预测任务中泛化能力不足的问题，特别是在面对未知分子结构时的“物理直觉”缺失。结论：深度原理团队提出的材料基座模型MPA（Materials Property Axiom）通过借鉴大语言模型的三阶段训练（预训练-中期训练-微调），引入针对“物理对齐”的中期训练和创新的Hybrid Readout“混合头”架构，显著提升了模型性能。在40个真实工业任务数据集上，MPA在所有场景下均达到SOTA，尤其在骨架划分（预测全新结构）这类更难的场景下，平均误差降低14.6%，展现出强大的泛化能力。该方法有效弥合了理论计算与实验数据之间的鸿沟，为AI4S领域提供了全新的数据利用和技术路径。