2026-06-01站内改写5 分鐘閱讀更新: 2026-06-01

材料版AlphaFold來了！40個工業任務全方位SOTA，AI4S迎來行業大突破

深度原理Deep Principle釋出材料基座模型MPA，採用大語言模型的三階段訓練方法，在40個真實工業任務資料集上取得SOTA。MPA透過中期訓練實現物理對齊，並設計混合讀出頭，在預測陌生結構時優勢顯著，標誌著AI for Science領域的重要突破。

來源量子位作者: 思邈

材料版AlphaFold來了！40個工業任務全方位SOTA，AI4S迎來行業大突破 – 量子位

思邈 2026-06-01 13:25:27

來源：量子位

疊加LLM“訓練buff”，材料AI終於學會了“物理直覺”

允中發自凹非寺

量子位 | 公眾號 QbitAI

AI模型在電腦上預測精度爆表，一到實驗室就各種出錯用不了？

本質還是訓練思路沒選好。

眾所周知，理論計算和真實實驗往往存在偏差。如果AI模型一直只在計算生成的完美資料上跑，一到“真場面”必然出問題。

儘管如此，AI4S大部分模型卻還是在各種計算理論榜單上卷效果，材料領域也不例外，在Matbench Discovery或Open Catalyst Project上刷成績的AI模型比比皆是。

其中固然有真實資料稀缺的原因。

但更重要的是，在工業實驗資料集上做預測往往更難，相比用固定的輸入預測固定的輸出，真實實驗資料集不僅存在噪聲、有誤差，資料要求也往往直接取決於特定工業需求。

現在，來自深度原理Deep Principle的最新材料基座模型MPA（Materials Property Axiom），走了一條截然不同的“野”路子——

把大語言模型的訓練方式直接拿來用，一舉在40個真實工業任務資料集上拿下SOTA。

同樣是真實資料稀缺的情況，為何MPA如此優秀？

一起來看看模型到底是怎麼訓練的。

基於LLM三段式訓練

MPA架構本身基於Transformer模型，其結構可以非常直觀地分為“頭”和“軀幹”兩部分。

“軀幹”是材料基座模型通用的圖Transformer，用於儲存核心的通用知識；

“頭”則根據不同訓練階段有所差異，主要是為了讓模型適配不同的訓練任務。

這次最核心的兩大突破，在於訓練模式的改變和後訓練階段“頭”的設計上。

第一點，mid-training的加入。

之前的材料基座模型，訓練模式基本分為兩個階段，預訓練（pre-training）和直接微調。

其中，預訓練是基於通用知識庫對模型做一個當前行業的“基礎通識訓練”，最後透過微調“精細任務最佳化”。

而在大模型模型（LLM）的實踐中，大家早就發現這樣的訓練模式還不足以“餵飽”它，因此往往要在預訓練和後訓練中間再疊加一層中期訓練（mid-training），用來讓模型在中等規模大小的通用任務（如程式碼除錯、數學謎題等）方面取得更好的表現，最終才能在更精細的特定任務上微調取得最佳效果。

為什麼要對引數量沒那麼大的模型也這樣做？

事實上，正如通用語料和特定單點任務存在鴻溝一樣，材料性質預測模型，同樣需要彌補從理論計算直接到實驗資料預測之間的鴻溝。

這其中的關鍵，在於建立AI對於真實材料需求的“物理直覺”，而不只是停留在分子結構上。

從分子結構到“物理直覺”到底差了什麼？

如果將各個原子類比為人類的五官，AI模型學習分子結構時，就像是在學習人類五官的位置，特定的分子有特定的五官分佈，但整體仍然有規律可循。

以苯環為例，AI在看過一系列苯環架構後，就能理解“六個碳在一個平面上”、或是“C-C鍵長1.4Å”這樣的特徵資訊。

然而，AI學習不同的分子結構後，卻並沒有認識到相似結構間隱含的物理資訊，就像能識別不同人臉卻無法理解共同的表情規律一樣。

還是以苯環為例，雖然AI一眼認出來這是苯環，但是對於苯環的生成焓、以及苯環的偶極矩有什麼特徵一點頭緒都沒有，更別提總結出“有OH基團的分子偶極矩通常偏大”這樣的規律。

這樣一來，即使AI在預訓練階段堆的資料再多，實際到資料稀缺的真實場景下表現還是不好。

基於此，MPA特意增加了一層專門針對於“物理對齊”（physics-guided alignment）的訓練，來彌補模型從分子結構的理論計算直接到下游實驗任務的鴻溝。

這個過程因為模型需要在各種基本物理特性的概念對齊，因此“沒有噪聲”而且“容易大規模產生”的各種特性的第一性原理計算資料，就成為了首選，深度原理此前積累的大規模計算資料，這次也恰好用在了mid-training上。

第二點，就是針對實驗預測任務設計的後訓練“頭”的創新了。

相比於沿用前中期那套現成的“頭”，MPA在後訓練階段專門設計了一種叫Hybrid Readout的“混合頭”。

它的核心，是給模型準備了兩條路：一條自由的，一條受約束的。

之所以這樣設計，是因為分子的性質本就分成兩類：

一類是沸點、生物活性這類性質，跟分子大小無關，看的是分子整體的“氣質”；

另一類是生成焓、燃燒焓、熱容這種標準，分子越大數值越高，邏輯更像記賬，整體等於各部分之和。

讓一個“頭”同時管好這兩類，太難了，於是MPA乾脆準備了兩套機制。

在注意力池化上，給模型足夠的自由。

這條路不預設任何規則，讓模型自己從全域性打量分子。

它用注意力機制去問遍每一個原子，再把答案綜合成一個判斷，這種不設限的讀法，正適合沸點、生物活性這類“氣質”標準。

在原子加和上，對模型進行約束。這條路反過來，直接把一條物理規律硬塞進結構裡：分子性質等於各原子貢獻之和。

每個原子單獨算出“我值多少”，再把所有原子加起來。對燃燒焓、熱容這種本就該“逐原子累加”的標準來說，這等於直接把正確答案的形狀告訴了模型，省得它從零摸索。

MPA用一個可訓練引數α將二者結合起來，意思是模型自己學著決定——

眼下這個性質，該走自由的路還是約束的路，α越小，模型越倚重自由那條路；α越大，約束那條路的話語權越重。

那麼，這樣設計訓練的模型實際效果如何呢？

場景越難效果提升越顯著

MPA從兩方面對模型效果進行了對比。

首先，為了證明LLM的三階段訓練方法在材料模型上同樣有效，MPA和“沒加料”的自己進行了對比：前面講的中期訓練和Hybrid Readout，到底有沒有用？

對照組很乾脆，同一個MPA預訓練模型，一個直接拿去微調（什麼物理直覺、什麼混合頭都不加），另一個走完整流程。

兩者在40個真實實驗性質上一一對比，綠色向外代表MPA更準，紅色向內代表更差。

結果證明，在隨機劃分模式下，40個性質裡有38個變好，平均誤差降低14.0%；而在更難的骨架劃分下，38個變好，平均誤差降低14.6%。

這裡有個值得玩味的細節：骨架劃分的提升，反而比隨機劃分更大。所謂骨架劃分，就是讓測試集裡的材料空間在訓練時壓根沒見過。

這才是真實科研裡最常遇到的場景：你要預測的往往是個全新的結構。

模型在“沒見過的骨架”上提升最明顯，恰恰說明它學到的不是死記硬背的分子長相，而是真正可遷移的“物理直覺”（inductive bias）。

那麼，整體模型設計到底有沒有突破？

MPA同樣和另外5個主流分子性質預測模型（ChemBERTa、ChemProp、Chemeleon、Uni-Mol2、Suiren）擺在一起進行了對比。

這裡也同樣分隨機和骨架兩種劃分，每個性質上誰最準就給誰標一顆星。

結果發現，無論隨機還是骨架劃分，MPA的綜合表現都是這一票模型裡最強的，而它最大的優勢，同樣出現在骨架這種“分佈漂移”的硬場景下，一舉斬下40個實驗物性中的35個SOTA。

兩類結果不約而同地指向同一個結論——

MPA最能打的地方，正是面對陌生結構、需要真實實驗外推的時候，這也正好印證了前面所有鋪墊的初衷。

讓AI建立的，不是對材料長相的記憶，而是對真實材料的“物理直覺”。

MPA做了一件很有意思的事：它把材料基礎模型的“適配問題”，重新定義成了“物理對齊問題”。

換句話說，與其不斷針對不同任務打補丁、做適配，不如讓模型直接對齊材料世界背後的物理規律。

為此，MPA提供了一條相當務實的技術路線：把第一性原理計算、高質量實驗資料，以及面向具體任務的微調訓練整合到同一個可擴充套件框架中，讓模型既能學到理論知識，也能理解真實世界的資料反饋。

更重要的是，隨著計算資料和實驗資料持續增長，MPA提供了一種新的資料利用方式：這些資料不再只是一次性消耗品，而是能夠不斷沉澱為可複用的預測能力。

最終得到的，也不再是一堆彼此割裂、只能解決單一問題的小模型，而是具備更強泛化能力的材料基礎模型。

MPA與當前主流的LLM訓練模式的共振，說明多階段訓練和alignment等概念不止適用於AI“虛擬世界”，“物理世界”的模型也會因為真實測量結果背後的物理規律實現深度對齊而受益。

目前，MPA已經作為Skill之一，接入了深度原理的Agent產品。

對MPA性質預測能力和效果感興趣的話，你可以直接上手試一試了：https://sciclaw.cn

（sciclaw的邀請碼在此，歡迎體驗：CN-SUL0WEAB）

MPA部落格：https://blog.deepprinciple.com/introducing-materials-property-axiom/

MPA技術報告：https://www.deepprinciple.com/papers/mpa.pdf

LLM三段式訓練材料基座模型深度原理

思邈

機器人原生世界動作模型問世！首創時空一體架構，復旦系團隊出品2026-05-31

Token貴只因你餵給模型的垃圾太多了丨@亞馬遜王曉野AIGC20262026-05-31

輝達清華團隊提出Gamma-World：世界模型從「一個人玩」到「多人共處」2026-05-30

清華系團隊給大模型織了一張“智慧算力電網”2026-05-29