从石器时代、青铜时代到铁器时代，人类文明的进步从一定角度来看也是一部材料发展史。现如今，人们身边高耸入云的摩天大楼、微小而强大的智能手机芯片，也依旧处处可见材料的身影。然而，随着科技的发展，各行各业对材料的要求也变得更加严苛，许多行业受制于现有材料的固有属性，难以取得进一步突破。
例如，智能手机在强度和重量方面的设计基本已达最佳水平，也就是说，因为玻璃、铝合金、电池等相关材料的发展现状，手机的重量已经很难出现跨越式的降低，而像塑料这类的轻质材料在强度方面亦受限制——耐划痕、耐用性偏弱。
开发一种兼具高强度和轻重量的新材料并非易事。新材料的开发不仅成本高昂，周期漫长，还伴随极高的风险。 通常，一种新材料的研发投入可达 1 亿美元，并且至少需要 10 年才能实现财务盈亏平衡。
图源：Phaseshift Technologies 官网
长期以来，只有航空航天、国防等资金充足的战略性行业才具备开发专属材料的能力，而矿业、能源、消费电子和制造业等领域在材料开发方面仍面临诸多挑战。因此，许多企业更倾向沿用现有材料，比如仍依赖半个世纪前开发的合金。在这种情况下便不得不做出一些妥协：
- 是否将更昂贵的材料成本转嫁给消费者？
- 是否接受某种关键组件，但其使用寿命更短？
- 是否接受较高的维护成本，以弥补材料性能的不足？
- 是否放弃某些创新设计，以适应传统材料的物理特性？
- 是否继续依赖进口供应链，承受稀缺或昂贵原材料带来的不确定性？
对于以上困境，加拿大公司 Phaseshift Technologies 给出了解决方案。
2019 年，先进材料公司 Phaseshift Technologies 于加拿大正式成立，致力于用 AI 技术和多尺度模拟开发下一代合金和复合材料。 其快速合金设计 (RAD™) 平台依托 MatterMind™ （AI 驱动合金设计）和 Cascade™ （集成的多尺度模拟），可以为各行各业开发针对特定需求、特定场景的定制化合金。
据 Phaseshift 官网介绍，其方法将材料开发速度提升至传统方式的 100 倍，同时成本降低 90%。 此外，其设计的合金可广泛应用于航天、汽车、能源、国防、矿业及先进制造业等领域。
图源：Phaseshift Technologies 公司官网从左到右：航天、汽车、能源、国防、矿业、先进制造业
- 航天：下一代合金可提高性能、实现轻量化、提高燃油效率，同时符合安全标准。
- 汽车：打造更轻、更坚固的合金，可提高燃油效率、安全性，助力创新车辆的设计。
- 能源：定制合金可承受极端条件，提高设备的耐用性和效率，降低维护成本。
- 国防：先进的合金具备优异的性能和耐用性，能在关键任务中确保可靠性。
- 矿业：耐用的合金可以承受恶劣环境，延长设备的使用寿命，并提高采矿生产力。
- 先进制造业：定制合金可提高产品性能、耐用性和设计灵活性，推动制造工艺的创新。
目前，Phaseshift 已完成 300 万美元种子轮融资，由 Innospark Ventures 领投，Draper Associates、First Star Ventures 参投，天使投资者 Hustle Fund Angel Squad 也提供了额外支持，该笔资金将使 Phaseshift 能够加速新材料的开发和商业化。
Phaseshift 联合创始人兼 CEO Fazal Mahmood 表示：「当某些行业的发展受限于现有材料的固有属性，材料层创新就变得至关重要。 我们的 AI 平台能快速开发专用材料，解决被忽视的现实世界工业难题。通过提供更耐用、高效、可持续的材料，我们正助力各行业减少浪费、降低维护成本，并突破工程与制造的极限」。
AI + 多尺度模拟开发下一代合金材料
设计新材料就像是用大量原料去调配复杂的食谱。过去，科学家像厨师一样反复试验，不断调整原料的比例，观察每次改变对最终「菜肴」的影响，以试错方式寻找最佳配方。
如今，Phaseshift 让人工智能扮演这位「大厨」，它不仅知道所有可能的「原料」组合，还能预测每种成分如何影响材料的整体「风味」，从而找到潜在的「完美食谱」。进一步地，先进的计算模型还可以对这些食谱进行模拟和评估。这样一来，研究人员无需进行无休止的现实实验，即可快速探索无数种合金「成分」和「烹饪方法」的组合。
具体而言，如下图所示，在 Phaseshift 的平台中，新合金开发需要经历 5 个步骤。 第一，用户提供合金用途，公司确定设计要求；第二，MatterMind™ 使用 AI 方法生产新的优化合金成分；第三， Cascade™ 通过纳米、微观、宏观等多尺度模拟评估合金性能并更新 AI 模型，不断重复以上步骤，直至达到设计要求。第四，与实验室合作，用行业特定的资格标准对材料进行现实评估。第五，利用定制合金获得市场竞争优势。
Phaseshift Technologies 的快速合金设计平台
为了实现以上技术的突破，Phaseshift 公司特意汇聚了一批 AI 和材料科学领域的专家， 如机器学习研究员 Osazee Ero 博士和计算材料工程师 Zhen Li 博士。Osazee Ero 博士拥有 8 年以上的机器学习研究经验，擅长设计先进的 AI 算法，特别是在制造业领域。Zhen Li 博士在材料科学、FEM 模拟和高级建模技术方面具备丰富的知识储备，在冶金过程的数值模拟方面拥有 8 年经验，他认为：「建模和模拟不仅是理解材料的工具，更是工程创新的关键」。
MatterMind™：专有数据驱动 AI 模型，设计「完美合金」
训练优秀 AI 模型的关键是拥有一批高质量的特定数据。然而，材料科学领域的数据往往分布零散、标准不一，许多实验数据存在于学术论文、企业实验室或专有数据库中，公开数据极为有限。
为了解决这一问题，Phaseshift 采用实验与模拟相结合的方法，自主生成高质量数据集。 这种方法可以确保数据在不同情境下的一致性和可靠性，为 MatterMind™ 平台提供了坚实的基础。
MatterMind™ 结合机器学习与基于物理的建模。 首先，利用专有合金数据集进行训练（现有数据和模拟数据），MatterMind™ 能够快速分析庞大的合金成分空间，预测最佳合金配方，并揭示元素、加工条件、微观结构、材料性能之间的复杂非线性关系，这些关系往往超越人类直觉，甚至无法用数学公式直接表达。其次，材料科学、物理学和化学中的已知科学知识也被整合进了模型，使其具备更强的预测能力，识别可能满足目标属性的新合金成分。
此外，MatterMind™ 还与先进的多目标优化算法配对， 在多个属性之间寻找最佳平衡。例如，一种合金需同时具备轻量化、高强度、最低限度延展性、抗氯化物腐蚀性、可焊性等。传统方法难以优化如此复杂的属性组合，而 AI 模型可利用数据学习到的模式，平衡多个设计目标，从而开发出符合特定工业需求的高性能材料。
最终，无需进行大量现实的实验，MatterMind™ 即可设计一组优化的潜在合金成分， 随后送入 Cascade™ 平台进行模拟和评估，并根据模拟结果持续优化迭代 MatterMind™。
Cascade™：多尺度模拟，在虚拟环境中全面评估潜在合金
Cascade™ 可在纳米尺度、微观尺度、中尺度、宏观尺度进行多尺度模拟， 从而精确建模微观结构特征（如晶粒尺寸、相分布和缺陷）如何影响合金的整体性能，对潜在合金进行预评估，确保最有潜力的合金进入制造阶段。
可在纳米尺度、微观尺度、中尺度、宏观尺度进行模拟
- 纳米尺度：利用密度泛函理论 (DFT) 预测不同合金元素原子之间的相互作用。
- 微观尺度：模拟微观结构演变，预测晶粒结构、晶界行为。
- 中尺度：模拟材料对外部条件的响应。
- 宏观尺度：模拟材料的机械性能及其在不同制造过程（如铸造、增材制造）中的表现。
通过这些模拟，数百甚至数千种潜在合金可在虚拟环境中被快速评估， 并与用户的设计要求比对。无需制造实体样本、也无需在实验室中反复测试，这种虚拟评估的方式成本更低、速度更快，还能精准匹配所需材料属性，提高研发成功率。
根据用户需求定制多目标属性材料，可为 3D 打印开发适配合金
据 Phaseshift 官方表示，这种方法可用于对增材制造（3D 打印）工艺中适配材料的开发。
增材制造（3D 打印）主要是通过逐层堆叠原材料来构建三维物体，目前，通过金属增材制造技术制造的金属材料零部件已被成功应用于航空航天、医疗器械、汽车制造等领域。然而，由于材料的适配性，该工艺的发展仍受限制——可用于 3D 打印的合金种类有限，影响了工艺的广泛应用和最终部件的性能。
例如，在最常见的金属 3D 打印工艺——激光粉床熔融 (LPBF) 中，仅适用于钛、铜、镍合金，且制造过程中易出现收缩、熔化不均等问题。尽管多激光 LPBF 提高了生产效率，但也加剧了材料过热的风险。其他金属增材制造工艺，如选择性激光烧结 (SLS) 和电子束熔化 (EBM)，同样受制于材料本身属性，无法满足多目标需求，比如热膨胀、熔化温度、部件密度等。
Phaseshift 专为增材制造优化合金定制研发流程，通过建模不同成分比例的材料，重点分析其在增材制造环境中的性能，以确保最佳适配性。
「无论是要增强航空航天部件的强度、改进汽车系统的热导率、提高能源基础设施的耐腐蚀性，还是医疗设备的生物相容性，我们都能提供定制合金，实现更可持续的材料解决方案」，Phaseshift 表示。
材料科学正在迈向更高效、更智能的时代
中国厦门大学材料学院教授程璇曾指出，「计算材料学的未来将依赖于人工智能的发展，我们应当特别关注：AI 如何融入材料设计和筛选、以及如何从目标功能出发精准设计材料结构等」。
现如今，AI 在材料科学领域的应用已逐步落地，从定制医疗植入物、智能假肢，到开发新型耐热材料、先进催化剂和可降解塑料，AI 正在加速各行业的产品创新，越来越多的科技公司也意识到 AI 在材料开发中的巨大潜力。
比如，Meta 曾推出 OMat24 数据集， 该数据集包含超过 1.1 亿个结构密度泛函理论 (DFT) 计算，重点关注结构和成分的多样性，成为该领域最大的公开数据集之一。在 OMat24 的基础上，Meta 还发布了 EquiformerV2 模型，能够精准预测材料基态稳定性和形成能，在 Matbench Discovery 排行榜上取得最优表现。
OMat24 数据集下载地址：
除此之外，Google DeepMind 也在探索 AI 在材料开发中的应用。 其深度学习模型 GNoME 宣布发现了 220 万种新的无机材料晶体结构，其中 38 万种具有稳定性，成为最有可能通过实验合成并投入使用的潜在新材料，极大地推动了材料研究的进展。
微软推出用于材料逆向设计的生成式 AI 模型 MatterGen， 能够根据特定需求设计直接新材料结构。例如，在设计多属性磁性材料时，模型可以提出具备高磁密度且具有 low supply-chain risk 化学成分的结构。此外，MatterGen 还配备了多个可调节模块，能够根据化学性质、对称性和材料特性等约束条件进行微调，生成满足特定磁性、电子或机械性能的材料。
HyperAI超神经已在官网上线教程「MatterGen 无机材料设计模型 Demo」，教程地址：
总而言之，这些公司展现了 AI 在材料化学领域的不同切入点，也标志着材料从大规模发现到「按需设计」的新技术跃迁。随着 AI 模型的持续进化，材料科学正迈向一个更高效、更智能的时代。
参考资料：
1.https://phaseshift.ai/
2.https://blog.csdn.net/a13981820402/article/details/140632362
3.https://www.sohu.com/a/140409967_488176
4.https://www.ccf.org.cn/YOCSEF/Branc
