宇曜 Matterseek — 新材料预测通用大模型（测试版）
< img src="/zhang7583859/yuyaomm/resolve/main/assets/matterseek_banner.png" width="100%" alt="MatterSeek Banner">
MatterSeek
物理推理驱动型非语言通用新材料预测大模型
试错的终结者，引领研发新范式反向设计，精准合成
让材料像生命一样，持续进化 ｜ 让新材料的发现跑出加速度 ｜ 更少的试验 更优的性能
官网 · 在线体验（HF Space） · 技术报告/论文 · 宣传视频
🌟 模型简介
MatterSeek 是宇曜科技推出的物理推理驱动型新材料预测通用大模型，依托自研 HNN 层级神经网络，面向无机、有机研发场景，是面向全球科研工作者的一站式 AI 材料研发工具。
模型突破了高维空间中成分-结构-工艺-性能的强耦合关系，通过正反向设计，精准预测，并通过宇曜自主实验平台湿实验的闭环验证——MatterSeek 不只是预测工具，更是工业化可落地的高置信执行方案。
< img src="/zhang7583859/yuyaomm/resolve/main/assets/matterseek_closed_loop.png" width="88%" alt="实验闭环示意">
核心特性
- 🔬 先进算法加物理约束：物理推理驱动，参数自研率 92%
- 🧩 1035 种材料描述符 + 188 个垂类子模型：精准适配不同材料体系的预测需求
- 🌐 通用覆盖：面向无机、有机材料研发场景
- 🔗 实验闭环：自主实验室 7×24 自动化实验，实验数据回传模型进行递归训练，持续优化模型能力
核心能力
| 能力 | 说明 |
|---|---|
| 小样本预测 | 如"数十条数据即可获得可靠预测" |
| 自然语言化学指令解析 | 直接用自然语言描述化学需求，无需专业提示词工程 |
| 元素约束筛选 | 按元素组成范围快速过滤候选材料空间 |
| 自定义性能指标 | 灵活定义目标性能，按需正向设计 |
| 多维结果可视化 | 预测结果多角度呈现，辅助决策 |
🔄 工作原理：实验闭环
< img src="/zhang7583859/yuyaomm/resolve/main/assets/matterseek_flow.png" width="100%" alt="实验闭环流程图">
| 环节 | MatterSeek 做什么 |
|---|---|
| ① 输入需求 | 自然语言化学指令、目标性能指标、元素约束条件均可作为输入 |
| ② 模型推理 | HNN 层级神经网络调用对应垂类子模型，完成性能预测或组分反演 |
| ③ 输出结果 | 推荐组分与晶体结构、制备工艺参数，多维度可视化呈现 |
| ④ 实验室合成 | 真空电弧熔炼、甩带、管式炉热处理，手套箱内完成气氛敏感操作 |
| ⑤ 表征验证 | XRD 物相分析、SEM/EDS 形貌与成分分析，实测值对比预测值 |
🎬 视频演示
宣传视频（60s）
产品操作演示（3min）
演示路径：登录 → 自然语言指令/目标性能 → 元素约束筛选 → 多维可视化 → 导出配方/工艺 → 提交线下验证
🏗️ 模型架构
| 项目 | 说明 |
|---|---|
| 基础架构 | 自研 HNN 层级神经网络（物理推理驱动），【待补充：技术细节】 |
| 参数量 | 【待补充】 |
| 材料描述符 | 1035 种 |
| 垂类子模型 | 188 个（按材料体系/任务划分，【待补充：代表性子模型】） |
| 输入格式 | 【待补充：自然语言指令 / 性能指标 / 组分式 / CIF 等】 |
| 输出格式 | 【待补充：性能值 / 组分 / 工艺参数】 |
| 训练方法 | 【待补充：预训练 + 微调策略】 |
📊 训练数据
| 数据维度 | 说明 |
|---|---|
| 数据来源 | 【待补充：Materials Project / OQMD / 自建实验数据库等】 |
| 数据规模 | 【待补充：X 万条组分-结构-性能记录】 |
| 覆盖材料体系 | 无机材料（合金、高熵合金、【待补充】）、有机材料、生物药相关体系 |
| 清洗与去重 | 【待补充：数据处理流程】 |
📈 评测结果
按材料品类统计的模型预测准确率（【待补充：评测集与划分方式】）：
| 材料品类 | 准确率 / MAE / R² | 对比 Baseline | 对比同类模型 |
|---|---|---|---|
| 合金 | 【待补充】 | 【待补充】 | 【待补充】 |
| 高熵合金 | 【待补充】 | 【待补充】 | 【待补充】 |
| 【品类 3】 | 【待补充】 | 【待补充】 | 【待补充】 |
🚀 快速上手
from 【库名】 import 【模型类】
model = 【模型类】.from_pretrained("【组织名】/matterseek")
result = model.predict(【输入示例：自然语言指令 / 目标性能 / 组分】)
print(result) # 待模型发布后补充最小可运行示例🔧 需要 API 接入或线下实验验证？ 我们提供 API 服务与实验室验证闭环（正向设计配方 → 实验室合成 → 表征反馈），欢迎通过官网联系我们。
🧰 典型应用场景
- 合金成分优化：给定服役性能要求，快速筛选候选成分区间
- 高熵合金研发：探索多主元配方空间，输出组分 + 工艺窗口
- 新材料发现：反向输出全新组分与晶体结构预测
- 工艺参数推荐：基于目标组织性能，推荐熔炼/烧结/热处理参数
- 【待补充：有机/生物药场景案例】
🏭 实验平台
MatterSeek 的实验闭环由自有实验室支撑，具备从制备到表征的完整能力：
< img src="/zhang7583859/yuyaomm/resolve/main/assets/matterseek_lab_auto.png" width="100%" alt="科幻自动化实验室设备">
⚠️ 限制与适用范围
- 模型预测结果为计算辅助建议，不能替代实验验证；关键应用场景请务必进行线下表征确认
- 对【待补充：超出训练分布的材料体系】的预测可靠性下降
- 【待补充：其他已知局限】
📄 许可证
本模型采用【待补充：License 名称】许可证。
- 🔓 研究用途：【待补充：是否开放】
- 💼 商业用途：请联系【待补充：商务邮箱】
📚 引用
如果本模型对您的研究有帮助，请引用：
@misc{matterseek2026,
title = {MatterSeek: 【论文正式标题，待补充】},
author = {【作者列表】},
year = {2026},
url = {https://huggingface.co/【组织名】/matterseek}
}