推出 HN：发现材料 (YC P26) – 发现新材料的人工智能代理

最后，我们描述了该基准测试中用于衡量模型性能的工具、工具和分级机。所有模型的任务都是寻找 κ ≥ $kappa 、 ε 0 ≤ $epsilon 、 Y ≥ $youngs 和 G ≥ $shear 的材料。选择固定值来定义适当的所需窗口，下面的目标是模型给出的目标。提出动态稳定、新颖、与 BEOL 兼容的晶体材料，满足以下所有目标：导热系数 $kappa、静态介电常数 $epsilon、杨氏模量 $youngs 和剪切模量 $shear。每个候选者还必须提供专家评审认为会尝试的 BEOL 温度和工艺兼容的合成配方——配方被认为不值得尝试的候选者不计算在内。新颖性意味着该材料从未在文献报道的 BEOL 兼容条件下沉积为薄膜。我们为模型配备了一套工具来完成这项任务。这些被设计为类似于计算材料科学家可用的工具。我们为模型提供的工具有： 网络搜索（使用 Exa 作为提供者） 具有 python 和 bash 功能的编码沙箱以及一些相关的材料科学软件包 - pymatgen 1 、 mp_api 2 和 ASE 3 基于机器学习的工具，用于计算 1) 动态稳定性、2) 晶格热导率、3) 静态介电常数和 4) 柔量张量 该模型没有给出停止条件，并继续进行，直到出现错误或耗尽其总代币预算1亿个代币。我们使用 AI 安全研究所的开源 Inspect 框架 4 对这些模型进行基准测试。在下一节中，我们将更详细地讨论模型用于筛选提议的候选人的实现工具。然后我们讨论综合评分程序。提供的工具 下面，我们列出了本研究中用于计算各种属性的基于机器学习的工具。我们利用机器学习原子间势（MLIP），特别是通用点边缘变换器（UPET）基础机器学习模型 PET-MAD 5 。在未来的工作中，可以合并直接密度泛函理论计算来代替这些 MLIP 计算，或者可以采用混合方法。动态稳定性和“谐波”晶格热导率 我们使用 Pheasy 6 和 Phonopy 7 生成随机配置，以使用压缩传感方法 8 拟合二阶力常数。这使我们能够识别所有声子模式。低于 − 1 THz (− 4.14 meV) 的任何虚模均被确定为动态不稳定。我们使用 PET-MAD 评估每个随机配置的能量和力。根据单位晶胞体积 V 中谐波声子计算得出的量，具有比热容 C V ( 𝐪 , ν ) 和模式 ν 的群速度 𝐯 g ( 𝐪 , ν ) 以及重量为 w 𝐪 的不可约波矢 𝐪，我们将热导率 κ e s t 近似为 κ e s t = τ V Σ 𝐪 w 𝐪 Σ 𝐪 Σ ν w 𝐪 C V ( 𝐪 , ν ) | 𝐯 g ( 𝐪 , ν ) | 2 ，其中 τ 被视为常数。这有效地筛选出具有极其平坦能带的结构，避免了更昂贵的弛豫时间计算。晶格热导率 (LTC) 我们使用 Pheasy 6 和 Phonopy 7 生成随机配置，以使用压缩传感方法 8 拟合二阶和三阶力常数。我们在三声子散射图中近似 LTC。为了获得热导率，我们在弛豫时间近似中求解玻尔兹曼输运方程 9 。我们在 LTC 评估中考虑了同位素效应，并忽略了由于拟议候选材料预期的高带隙（低介电常数）而产生的电子贡献。静态介电常数我们使用通用材料张量网络（GMTNet）10，通过拟合JARVIS DFPT数据库11来获得静态介电常数ε 0 。我们没有直接拟合静态介电常数，而是训练两个单独的模型 - 一个用于电子/高频介电常数 ε ∞ ，另一个用于玻恩有效电荷 Z * 。根据这两个模型，我们可以从 Γ 点光学模式（使用上面的 MLIP 计算）重建 ε i on i c 为 ( ε i on i c ) α β = 4 π C V Σ ν ε op t i c a l Z ́ ν , α Z ̅ ν , β ω ν 2 ，其中 Z ̅ ν , β 是声子特征向量加权的 Born 有效电荷， 4 π C 是模式振荡器强度，V 是晶胞体积。我们通过将 ε ∞ 和 ε ionic 的张量贡献相加得到 ε 0 张量。机械性能我们从材料的柔量张量中获得杨氏机械性能和剪切模量。这是通过再次使用 MLIP 以 12 种不同配置对晶胞进行应变并预测与这些配置相关的应力 σ 来评估的。综合评分程序我们向人类专家提供了一些LLM生成的配方以进行独立评分。从这些评分中我们