国内顶尖高校携手鸿之微科技推出MATS跨尺度材料计算平台-电子发烧友网

当前行业普遍以AI为核心引擎，追求“大尺度、高效率”的泛化应用。鸿之微科技始终锚定物理第一性原理，以底层理论为根基，打造自主可控的高性能材料研发平台。作为材料基因工程与Physics AI材料智能研发体系的核心底座，国产自主可控的高性能材料研发平台已成为支撑新能源、半导体、航空航天等关键领域创新的重要基础设施。

依托国家高性能材料计算专项支持，由国内顶尖高校、科研院所与企业联合研发的MATS（Machine learning Accelerate Toolkit for material Simulation）材料计算软件正式面向行业推出。鸿之微科技作为联合研发单位，深度参与技术研发、工程化与产业化落地，推动国家级科研成果转化为可规模化应用。

MATS由湖南大学、吉林大学、北京科技大学、山东省计算中心（国家超级计算济南中心）、西北工业大学、国超（西安）计算技术有限公司、西部超导材料科技股份有限公司、鸿之微科技（上海）股份有限公司等单位联合攻关完成。

MATS

材料计算软件

MATS(Machine learning Accelerate Toolkit for material Simulation，简称MATS)是面向新一代国超算的国产自主研发的材料计算软件，集成了第一性原理计算、机器学习势与分子动力学模拟三大核心功能，MATS致力于打造多尺度、高精度、速度快的材料模拟软件，为材料科学研究与工业应用提供从原子级到微观尺度的跨尺度模拟解决方案。

MATS由三个相互协作的核心模块构成：第一性原理计算负责提供高精度电子结构信息，同时结合经验势模型与实验数据，开发了数据集准备的多源数据融合技术，研发了势函数自动化构建方法与软件；分子动力学模拟模块则基于训练好的势函数执行大规模、长时尺度的材料行为模拟。三个模块之间形成了“数据生成—模型训练—规模模拟”的完整闭环，用户无需在多个独立软件之间切换，大幅提升了研究效率。

一、技术原理与创新

软件架构图

1.1 核心功能

第一性原理计算（MATS-DFT）是MATS的基石模块，基于密度泛函理论（DFT）提供原子级材料模拟的高精度计算能力。该模块支持自洽场计算获取体系基态性质，支持结构优化确定材料的稳定构型，支持能带计算和态密度分析用于电子结构研究。特别地，MATS提供了杂化泛函计算功能，能够修正传统泛函对半导体带隙的系统性低估，使计算结果与实验值更加吻合。此外，该模块还支持从头算分子动力学（AIMD）和机器学习分子动力学（MLMD），可以在量子力学精度下研究材料在温度、压力等条件下的动态演化行为。针对新一代国产超算平台，MATS-DFT开展了底层代码优化，实现了在神威系列超算上的高效并行，兼顾高精度与高性能的双重优势。

机器学习势自动化训练与评价（MATS-MLP）是MATS的智能化核心，它将耗时的第一性原理计算转化为具有高精度高效率的机器学习势函数。MATS提供从训练数据生成到模型训练与验证的完整自动化流程：系统可从Materials Project材料数据库自动获取初始晶体结构，还可以自主自动化产生训练集，并基于MATS-DFT开展数据标定，通过晶格形变、体积变化、原子微扰等策略生成多样化的结构样本，自动完成第一性原理计算的输入文件设置、作业脚本生成与结果提取，最终训练出能够精确描述原子间相互作用的神经网络势函数。这一自动化流程大幅降低了机器学习势函数的开发门槛，使研究者能够专注于科学问题本身而非繁琐的数据处理工作。势函数构建完成后，系统还提供势函数性能评价的自动化检验功能，确保模型精度可靠。

分子动力学模拟（MATS-MD）赋予MATS探索介观与微观尺度材料行为的能力。得益于高效的高性能计算架构和先进的势函数模型，MATS支持亿级原子规模的大体系模拟，可用于研究材料的扩散、相变、缺陷演化等长程时空动力学过程。针对核材料领域的特殊需求，MATS实现了级联碰撞模拟功能，能够模拟中子辐照导致的原子级损伤过程——从初始碰撞原子（PKA）的产生，到级联碰撞的演化，再到最终缺陷簇的形成。软件内置的变时间步长算法确保了在碰撞初期精细模拟的同时，体系稳定后能够高效地完成长时间尺度的计算。

1.2技术架构与核心优势

与市场上需要频繁切换独立软件的传统“碎片化”研究模式不同，MATS的核心差异化优势在于其真正实现了从第一性原理到分子动力学的全流程一体化与智能化。这一独特价值的背后，源于MATS在三大核心计算模块中深厚的原创技术积累与底层优化。在第一性原理计算方面，作为整个工作流的数据基石，MATS创新性地引入了波函数投影技术，有效突破了传统计算在应对大规模体系时的算力瓶颈，在显著提升计算效率的同时保障了量子力学级别的计算精度。结合软件提供的标准泛函与高精度杂化泛函，从源头上确保了底层物理数据和研究结果的绝对可靠性。

此外，在机器学习势函数的自动化构建上，MATS针对模型训练的技术痛点，采用了原创的注意力耦合神经网络（ACNN）核心算法。该算法将深度学习中的注意力机制应用于原子间势能描述，能够自适应捕捉不同原子环境的贡献；同时，系统打通了包含能量、力、应力等多维度自动验证的训练闭环，彻底免去了繁琐的参数调试过程，大幅降低了势函数开发的复杂度。在分子动力学模拟层面，为了应对亿级原子规模与长时尺度的复杂模拟需求，MATS开发了高效的变时间步长算法。更重要的是，该模块在底层架构上深度贴合新一代国产超算（如神威系列）的异构特性进行了代码级优化，实现了极高的并行计算效率，为超大规模材料演化模拟提供了坚实的算力和硬件保障。

二、技术架构

MATS采用模块化的软件架构，各功能组件既可以协同工作形成完整的研究链条，也可以根据实际需求独立使用。核心计算引擎由C++实现，充分利用现代处理器的向量化和多核并行能力，确保在大规模计算任务中的高效率。机器学习势函数训练框架基于Python开发，提供了简洁易用的命令行接口和配置文件系统，降低了机器学习势函数开发的技术门槛。

在部署灵活性方面，MATS支持从个人工作站到超级计算机的各类计算环境。软件可在主流Linux发行版上编译运行，也支持在Windows WSL环境下部署。对于大规模计算需求，MATS针对MPI并行通信进行了深度优化，在千核规模上仍能保持超过90%的并行效率。软件同时支持NVIDIA CUDA和AMD ROCm生态，可充分利用GPU 加速计算。特别值得一提的是，MATS针对国产神威、曙光系列超级计算机进行了专门优化，为国内科研机构提供了自主可控的选择。

三、核心功能与应用领域

MATS的功能覆盖了材料科学研究的主要计算需求。在电子结构计算方面，可进行自洽场收敛、能带结构计算、态密度分析、电荷密度可视化等；在结构性质方面，可进行晶格常数优化、原子受力计算、应力张量分析；在动态过程方面，可进行分子动力学模拟、晶格动力学计算（声子谱）、热力学性质评估；在特殊应用方面，可进行级联碰撞模拟、机器学习势函数训练、结构预测辅助等。

这些功能支撑着广泛的应用场景。在高性能航空材料领域，可用于研究NiCrFeAlP高温合金、ZrO₂-Yb₂O₃热障涂层以及TiMoAlVCrNb高强钛合金的热力学和动力学性质，帮助研究者准确预测材料的性质与性能，并阐明其中的构效关系，从而为高温合金叶片等材料的设计与优化提供流程框架。在能源材料领域，可针对电子化合物合成氨热催化材料、反应堆用YH和TiAlVZrC、以及电池电极材料六方MAB进行微观反应动力学研究与构效关系分析；同时，还能支持电催化反应催化材料的设计，提供合金催化剂反应动力学的预测技术。在半导体材料领域，能够对过渡金属硫化物（光电器件）和热电材料Ag₂S进行性能模拟，揭示其内在的构效关系；此外，针对聚合物给体-小分子受体材料，可有效实现给体和受体材料组合的热力学性质预测。

四、行业解决方案与案例

本节以具体研究案例说明MATS在多尺度模拟中的落地能力，与上一节应用场景形成互补：侧重展示从数据生成、势函数训练到大规模分子动力学与微观机理分析的完整链条。

案例一：NiCrFeAlP高温合金晶界偏析模拟。针对该高熵体系，团队基于多样化结构样本（完美晶体、应变与微扰构型、不同温度下的AIMD快照等）训练机器学习势，并结合SOAP描述符与t-SNE可视化检视训练集覆盖与能量分布。在此基础上开展高温（如1000 K）多晶体系的偏析动力学模拟，定量刻画磷在晶界处的富集行为，计算多晶晶界位点的偏析能分布，并对比偏析结构与随机结构下的局域原子排列及位错网络差异，为理解微量元素对力学稳定性的影响提供原子级依据。

图：高温合金晶界偏析模拟

案例二：Ag2S热电材料的机器学习势开发及应用。面向α-Ag2S，构建机器学习势并用于大规模分子动力学，系统考察滑移能、应力—应变响应及剪切变形过程中微扭折、剪切带胚胎与剪切带演化等非均匀塑性特征；结合不同温度下的结构演化与径向分布函数，验证势函数对熔化—冷却过程结构变化的再现能力。研究表明，大应变下剪切/扭折带区域发生不同程度的非晶化，S骨架承担载荷并与非晶化区域协同支撑大变形；晶格取向分析进一步揭示塑性变形与内嵌BCC-S子晶格滑移系激活相关，从微观机理上阐释了该超离子导体类金属塑性的来源。