材料创新面临的是规模化问题，而非发现问题

# Atomscale | 从原子到规模的路径：我们的核心理念 来源：https://www.atomscale.ai/updates/our-thesis-atom-to-scale ## 承诺与差距 1959年12月，理查德·费曼站在加州理工学院的美国物理学会面前，对满屋子的物理学家说，底层还有“大量空间”。他邀请他们加入一项新的探索使命：在原子尺度上刻意控制物质。近七十年后，这项邀请引发了改变世界的进步：现代电子学、摩尔定律，以及我们对物理学本身最深刻的理解。我们学会了逐原子地工程化世界，如今几乎所有被称为技术的东西都建立在此基础之上。 得益于这项工作，驱动下一代技术——AI、量子、能源和电气化——所需的材料，大部分并非等待被发现。它们已经为人所知。它们价值巨大。它们可以在实验室中制备——但却被困在那里。我们无法以生产规模制造它们。 简而言之，材料创新的问题是规模化问题，而非发现问题。 每一次重大的技术转变都始于材料的物理世界。我们庆祝的那些无形突破——模型、量子比特、电网——都源于有人学会可靠地制造一种物质，并在真实器件中以良率实现。当制造业停滞时，未来也随之停滞。 突破并非材料本身，而是学会如何规模化加工材料。 英特尔提供了一个清晰的例证。到2000年代，已经用于晶体管栅极绝缘四十年的二氧化硅被减薄到只有几个原子厚，并且开始漏电。英特尔在能够出货高k介电材料之前多年就知道需要它。它最终选定的铪基材料并非灵光一现的发现，并且需要同步改变堆叠中的其他材料才能有效。超过十年的工作投入到了使该材料可制造：将其集成到真实的晶体管堆叠中，以良率实现，同时不破坏周围的一切——通过一次沉积一个原子层。 当英特尔最终在2007年于45纳米节点出货时，戈登·摩尔称这是自1960年代末以来晶体管技术最大的变化。突破并非材料本身，而是学会如何规模化加工材料。 材料规模化瓶颈是对我们未来的瓶颈。 ## 这个问题为何持续存在 解决这一问题的障碍有两方面：物理方面和信息方面。 物理困难在于材料并非存在于真空中。它们存在于环境中，嵌套在异质器件结构中——一种材料生长在另一种材料之上，每种环境既改变最优解的样子，也改变达到它的路径。材料与工艺设计中几乎每个自由度都是连续且相互关联的。仿真和数字孪生可以提供指导，但无法达到真实材料的最后保真度。因此，合成仍然是试错过程，由艰难获得的专业知识和经验直觉引导。调整合成过程就像戴着烤箱手套操作镊子。 数据生成的吞吐量爆炸式增长，但我们利用它的能力却没有跟上。 信息困难加剧了挑战。表征分散在互补但狭窄的探针上——XRD、XPS、RHEED、TEM、AFM等等——每个都有各自的硬件、软件和子专业来从噪声中分离信号。实践者通过手动方式将这些拼图拼接在一起：串行、依赖操作者、有损耗。元数据被遗留。包含真实信息的无效和负面结果通常被丢弃。熟练的工程师可能认为他们的分析已经足够，捕获的数据过多，但工具链中没有任何东西能揭示正在丢弃什么。 数据生成的吞吐量爆炸式增长，但我们利用它的能力却没有跟上。 ## 为什么是现在 那么，为什么这个问题现在可以解决，而以前不行？ 两股力量汇聚了。现代工具变得传感器丰富且高通量，以十年前无法想象的容量生产实时数据。AI现在已经能够利用这些数据，在计算、内存、带宽和迁移学习方面通过了重要门槛——能在有限数据集上工作，而不需要海量示例。 我们需要能够利用已经存在的海量数据来智能指导生长的系统——而不是仅仅解释失败。 诚实的剩余限制是同一个让这个问题既困难又值得捍卫的东西：没有“材料互联网”可供抓取。确实存在的数据很丰富，但它们是专有的且孤立的。一个通用的、基于网络训练的AI模型无法解决这个问题，而机会不在于等待更多数据——在于构建一个系统，最终将已经产生的大量数据投入使用。 ## Atomscale做什么 瓶颈从来不是缺少有前景的候选材料，而是即使制造其中一种也需要数十年的试错。Atomscale将这种磨砺转变为有指导的科学。它读取你的工具已经产生的数据，并利用物理将原始信号实时转化为洞察——这样你可以在生长过程中引导运行，而不是在失败后解释它。每次运行都变得可读。每次洞察都变得可累积。知识得以积累，而不是在孤岛中消亡。 **今天的工具：孤立的、单一用途的模型** 原始工艺和计量数据喂入孤立的统计模型、物理模型和通用模型，其洞察无法跨运行延续。 **Atomscale：一系列适合用途的模型层级** 物理形成的适配器、时间序列和推理层提取并记录43倍更多有用信息，并在每次运行生长时通过实时洞察引导它。 Atomscale的架构使用模型层级。物理信息适配器在底层提升信噪比，仅将有意义的信息向上传递给时间序列和推理层。该层级作为一个沙盒，限制通用AI访问领域相关数据，从而使系统表现得像一位知识渊博的同事，而不是一个泛型LLM。领域专业知识内置于其结构中，结合了自动推理的优势和基于物理的确定性输出。这不是承诺，而是已经可测量的。在编码未知运行的信息时，Atomscale的表现比基线无监督机器学习好43倍。 Atomscale改变了日常工作的节奏。之前：手动分析、碎片化工具、洞察困在一个人脑中。之后：自动特征指纹、可查询数据、运行实时引导、以前过于复杂无法维护的配方现在触手可及。这减轻了操作当前工艺的负担，同时改进了未来的工艺，因为知识不再在调查研究结束时消亡。它在组织内积累，在公平的竞争环境中。工程师不再是工艺的苦力，而是变为主管。整个组织可以开始瞄准10倍的增益而不是渐进的增益。 我们清除数据苦差事，让人们做更多的思考，而不是更少。我们增强已经存在的专业知识。 这不是取代工程师；相反，从未有过如此激动人心的时刻来掌握物理杠杆，开发真正的现实世界技术。设计、构思、创造力、目标和需求的设定——这些仍是人类的工作。我们清除数据苦差事，让人们做更多的思考，而不是更少。我们增强已经存在的专业知识。 ## 我们的信念 我们的主张：合适的AI今天可以从已收集的数据中提取出比人类分析多得多的有意义信息。领域内可能有不同意见。拥抱它的团队将是领导下一波材料创新的团队。 我们正前往一个地方，在那里材料测量数据成为真正的资产：一个物理丰富、可互操作的空间，推理代理可以持续导航和监控。规模化时间线将从十年压缩到更短。今天困在实验室中的材料将开始以人类时间尺度到达世界。 几十年前我们钻到了底部。费曼是对的：底部有大量空间，我们花了近七十年证明这一点。探索的第一阶段已经完成，下一阶段不同。我们必须学会导航我们找到的东西，并将其带回——从原子到规模。