材料物理AI
AI驱动的材料发现与发明——从公开材料数据库与生成模型出发，产出可被器件端验证的候选材料
与 PhysAI 物理AI 联合，打通「候选材料 → 器件级评估 → 置信报告」端到端闭环
这个闭环解决什么问题
材料 AI 领域的普遍困境：模型给出一份“候选材料名单”，但名单能不能用、好在哪、置信多少——没人回答。 发现端不做器件仿真，器件端不做材料发明，中间断档。
我们用两个平台把断档接上——交付的不是名单，是带器件级置信度的候选。
双平台闭环
发现与发射
- • 数据库挖掘（MP/OQMD）+ 性质模型
- • 不确定性量化（UQ，PhysAI 方法移植）
- • Tier 分级候选发射：A（优先验证）/ B（基线参照）/ 拒收
扩散系数、粒径、孔隙率等可验证参数
（接口契约，双平台对齐）
器件级评估
- • 电化学模型仿真（多倍率工况）
- • 相对基准锚的提升量
- • 带置信度的器件级对照报告
端到端演示：快充正极场景
目标输入：工作电压 3.8-4.0V ｜ 比容量 ≥100 mAh/g ｜ 充电稳定性阈值 0.15 eV
发射结果：数据库池内筛选后发射 6 个候选（Tier-A 4 个 / Tier-B 2 个），另有 4 个组成被自动拒收——发射机不是“多多益善”，而是替客户省掉验证预算的浪费。
| 候选 | Tier | DFT 真值（电压/容量/稳定性） | 器件端 2C 倍率评估 |
|---|---|---|---|
| 基准锚（Chen 2020 商用正极） | — | — | 利用率 84.3%（基准） |
| mp-aaaabmqo | A | 3.86V / 250mAh/g / 0.016eV | +2.9% |
| mp-aaabrxcu | A | 3.97V / 221mAh/g / 0.006eV | +2.9% |
| mp-aaabrvvv | A | 3.86V / 221mAh/g / 0.001eV | +2.9% |
| mp-aaabrvww | A | 3.88V / 221mAh/g / 0.006eV | +2.9% |
| mp-aaabqwpp | B | 3.82V / 274mAh/g / 0.051eV | ±0.0%（与基线同） |
| mp-aaabqvnm | B | 3.81V / 274mAh/g / 0.039eV | ±0.0%（与基线同） |
Tier-A 候选全部跑赢商用基准（2C 快充利用率 +2.9%）——发射分级与器件表现分层自洽
7 个候选 × 3 个倍率批量器件评估；传统“合成-装池-测试”一轮以月计
每个候选附模型置信区间与 DFT 真值对照（区间只声明、不操纵结论）
诚实声明（与所有交付一致的口径）
1. Tier-B 候选的扩散系数为基线假设，其器件指标是设计相对量——材料区分度待文献 D 数据扩表（已立项）；
2. 当前 9 参数契约对 OCV 曲线仍采用基线近似，Tier-A 候选的器件差异是扩散效应的隔离展示，不是完整电芯预测（逐材料 OCV 在契约 v2 路线图）；
3. 模型适用域为 TM-氧化物框架，域外预测未校准；电压模型误差已声明（MAE 0.41V）。
我们对“做不到”与“做到”同等公开——这是双平台所有交付的统一纪律。
平台现状
自动化测试全通过
地基验证与闭环MVP完成
容量性质模型（31meV稳定性）
置信下界筛选降低假阳性
全流程可复现：数据集指纹、模型 checkpoint、评估协议全链留痕，欢迎尽调。技术细节溯源：experiments/M-PHY-0.x~1.5；器件评估基于 PyBaMM 电化学模型。
合作方式
电池/储能企业
给定目标性能区间与体系偏好，我们发射候选 + 器件评估 + 置信报告；验证预算聚焦 Tier-A
科研院所
材料基因工程数据管线与 Tier 分级方法合作
整车/电池供应链
新材料准入的器件级前置评估