2026年6月19日，一篇发表在《Science Advances》上的论文，正在改写一个价值千亿美元产业的底层规则。
来自MIT材料科学与工程系Rodrigo Freitas课题组的研究人员——第一作者Killian Sheriff，以及Daniel Xiao、Yifan Cao和谢菲尔德大学的Lewis R. Owen——解决了一个材料科学领域最顽固的问题：如何在计算机中精准模拟金属合金的真实行为。
今天任何一家航空航天公司想测试新合金在发动机叶片上的表现，都必须先造出来再实测。因为即便动用最强大的超级计算机和AI模型，也没人能在软件里准确预测复杂合金的全部性能。全球航空航天高性能合金市场2024年已达92亿美元，冲向2030年的143亿美元。推动增长的每一美元背后，都有一部分被浪费在“造出来才知道不行”的试错中。
MIT团队给出的解决方案名为“motif-based sampling”（基元采样）——不是更快的计算机或更大的模型，而是一种全新的数据采样策略。
一个被低估的致命短板
计算材料学并非没有工具。密度泛函理论（DFT）可从量子力学计算电子结构；机器学习原子间势（MLIP）可将模拟规模扩展至上百万原子。Google DeepMind有GNoME（预测超220万种晶体结构），Microsoft有Azure Quantum Elements。但这些工具面对合金时，遭遇了结构性困境。
合金不是单一元素晶体。在镍基高温合金、高熵合金中，原子排列呈现出“化学短程序”（Short-Range Order, SRO）——不同原子种类、不同排布方式组合出天文数字的高维空间。传统方法用随机采样在构型空间中抽取训练数据，但随机采样倾向于重复采集高频“平庸”结构，遗漏罕见但关键的化学环境。
2025年12月，拜罗伊特大学领衔的国际研究揭示：晶体结构中的“无序性”正是AI预测偏误的主要来源。化学短程序是最顽固的一种。
这不是算力的问题。这是方法论的问题。
“基元采样”：更聪明的做题方式
Freitas团队在2024年7月发表于《PNAS》的论文中，首次用机器学习量化了高熵合金中SRO的原子级结构，证明SRO可作为一种“旋钮”调控材料性能。这为2026年的突破铺平了道路。
核心思想：与其在构型空间中随机撒点，不如主动寻找“基元原子环境”——有限但信息密度极高的局部原子排列模式。算法自动去冗余：同一类环境反复出现时，替换为模型没见过的新环境。Freitas说：“我们不断优化训练集，让它捕获尽可能多的不同局部环境。”
Sheriff在一系列化学组成高度多样的金属合金上测试了该方法，并用Owen的实测实验数据作为“标尺”。结果极为出色。
比科技巨头的更大模型更准
基于基元采样训练出的势函数，预测精度显著优于随机采样和另一种主流方法，甚至超越了一些Google和Microsoft开发的参数更大模型。
这打破了一条AI领域的“共识”：模型越大、数据越多越好。MIT给出了反例——数据的质量远比数量重要。更聪明的采样策略，可以用更少的数据实现更高的预测精度。
谁在受益？谁在紧张？
Freitas在采访中说：“这个方法可以迁移到其他类型的材料，比如半导体。你可以用这种方法开发新型可持续钢材、新的航空航天材料。这正是让人兴奋的地方。”
材料信息学市场2025年约1.7亿至3亿美元，到2030–2034年有望增至4.1亿至19亿美元（CAGR 18%–22%）。核心驱动力正是AI在材料发现中的渗透。但“造出来的新材料见光死”的担忧始终挥之不去。MIT的方法论突破命中了这个痛点。
三条隐线值得关注：一，航空航天和能源行业最直接受益，新合金开发周期有望缩短一半；二，半导体行业——Freitas明确提到的方向——可能成为下一个爆发场景；三，Google和Microsoft的“算力围剿”策略，在方法论创新面前并非不可挑战。当然，该方法在位错动力学、相变等问题上的有效性仍需后续验证。
材料研发的下一个十年
新材料从实验室到商业化落地平均需要10到20年。这个数字半个世纪没变过。计算机模拟曾被视作改变一切的“圣杯”，但化学短程序这块绊脚石始终横在“从头预测”的路上。
MIT团队的工作证明，搬开这块石头不一定需要更强壮的力气，只需要更有智慧的角度。
Sheriff、Xiao、Cao、Owen和Freitas做的，不是用更大的铲子挖矿——而是换了一把铲子。材料科学四十年的试错传统，终于有了真正意义上的替代方案。
快报