Matlantis lancert Matlantis CSP, eine neue Fähigkeit, unbekannte stabile Kristallstrukturen schnell zu entdecken

(SeaPRwire) –   Materialienentdeckungsführer startet Lösung für Kristallstrukturprognose, wobei Honda als früher Anwender agiert.

BOSTON und TOKYO, 28. Januar 2026 — Matlantis hat heute den Start der (Kristallstrukturprognose) bekannt gegeben, einer neuen Funktionalität in ihrem universellen atomistischen Simulator, die previously unbekannte stabile Kristallstrukturen schnell aus dem riesigen Suchraum von atomaren Konfigurationen und Zusammensetzungen innerhalb eines gegebenen Elementarsystems identifiziert.

Neue Materialien sind für Herausforderungen wie die Dekarbonisierung und die nachhaltige Energie unerlässlich, aber die Material-Forschung und -Entwicklung hat lange darauf vertraut, wiederholte Syntheseexperimente durchzuführen, auch wenn die Erfolgswahrscheinlichkeit gering ist. Matlantis CSP introduces einen computergestützten Screening-Schritt früher im Prozess, um Teams zu helfen, physikalisch unglaubliche Dinge im Voraus auszuschließen und sich auf die versprechendsten Kandidaten zu konzentrieren.

Honda R&D verwendet Matlantis CSP, um die Erforschungseffizienz in der Materialentwicklung zu verbessern, darunter mehrkomponentensysteme und metastabile Strukturen, die historisch wegen der Rechenkosten schwer zu bewerten waren.

Überwindung der Grenzen herkömmlicher CSP-Ansätze

Bis heute war die Kristallstrukturprognose von mehreren anhaltenden Barrieren eingeschränkt: DFT-basierte Auswertung kann pro Struktur Stunden in Anspruch nehmen, Suchprozesse neigen oft zu bestimmten Zusammensetzungen, wenn sie variierende Zusammensetzungsräume erkunden, und große Skalierung kann komplexe Umgebungsaufbereitung und spezialisierte Fachkenntnisse erfordern. Matlantis CSP ist darauf ausgelegt, diese Einschränkungen zu entfernen, indem es die Kerntechnologie von Matlantis – sein universelles maschinelles Lern-Interatomarpotential PFP (Preferred Potential) – mit proprieten Algorithmen und einer parallelen Verarbeitungsgrundlage kombiniert, die für große Skalierung von CSP optimiert ist. Dies liefert:

1) Hochdurchsatzige Strukturauswertung: Unter Verwendung von PFP kann Matlantis CSP pro Struktur Energien in Sekunden bis Minuten auswerten, während die Zuverlässigkeit erhalten bleibt. Es integriert auch Schutzmechanismen, um Rechenaufgaben robust abzuschließen, ohne bei anomalen atomaren Konfigurationen zu hängen, die häufig während der Suche auftreten.

2) Umfassende und hochwirksame Suche über die Zusammensetzungsraum: Matlantis CSP umfasst einen proprieten Algorithmus, der ausgelegt ist, den gesamten Zusammensetzungsraum zu erkunden, während die Diversität in den abgetasteten Strukturen erhalten bleibt. Im Vergleich zur Zufalls Suche verbessert es die Sucheneffizienz um ungefähr 3-6×, wodurch eine gründliche Erforschung ohne Auslassungen über beliebige Zusammensetzungen ermöglicht wird.

3) Eine parallele Verarbeitungsgrundlage, die für die Matlantis-Umgebung optimiert ist: Um tens von tausenden von Versuchen in kurzer Zeit zu verarbeiten, optimiert Matlantis CSP Speicher und parallele Ausführung für Matlantis. Benutzer können sofort große Skalierungsuchen beginnen, ohne komplexe Umgebungsaufbereitung.

„Wir haben hohe Erwartungen an CSP als Technologie, die die Erforschungseffizienz in der Materialentwicklung dramatisch verbessern wird“, sagte Mitsumoto Kawai, Chefingenieur, Device Process, Innovative Research Excellence, Honda R&D Co., Ltd. „Durch CSP sind Kristallstruktur-Suchen – darunter mehrkomponentensysteme und metastabile Strukturen, die früher undurchführbar waren – machbar geworden. Das Konzentrieren auf versprechende Kristallstrukturen und Zusammensetzungen mit hoher Zuversicht vor Experimenten wird nicht nur die Wahrscheinlichkeit, nahtöge Materialien zu realisieren, erhöhen, sondern auch die Entwicklungszeiträume verkürzen.“

ist der Link zu dem Honda-Fallstudie.

Matlantis CSP hat bereits frühe Ergebnisse in mehreren Systemen – Oxiden, Legierungen und Phosphiden – erzielt und mehr als 10 previously unbekannte stabile Kristalle entdeckt. Im Ga-Au-Ca-System identifizierte es 13 neue Kristalle und aktualisierte das Phasendiagramm erheblich im Vergleich zu bestehenden Datenbanken.

„Mit Matlantis CSP machen wir die Kristallstrukturprognose praktisch im realen Forschungsmaßstab, so dass Teams breitere Zusammensetzungsräume erkunden, versprechende Kandidaten früher identifizieren und die Zeit, die an Experimenten mit geringer Erfolgswahrscheinlichkeit vergeht, reduzieren“, sagte Daisuke Okanohara, CEO von Matlantis. „Wir sind ermutigt, dass Honda R&D den Einfluss von CSP erkennt und wir freuen uns darauf, den Weg von der Simulation zur Synthese mit Partnern aus der Industrie zu beschleunigen.“

Über Matlantis

Matlantis, gemeinsam von PFN und ENEOS entwickelt, ist ein universeller atomistischer Simulator, der die großskalige Materialentdeckung unterstützt, indem er das Verhalten neuer Materialien auf atomarer Ebene auf dem Computer nachahmt. PFN und ENEOS haben ein tiefes Lernmodell in einen konventionellen physikalischen Simulator integriert, um die Simulationsgeschwindigkeit um Zehntausende Male zu erhöhen und eine breite Vielfalt von Materialien zu unterstützen. Matlantis wurde im Juli 2021 als cloud-basierte Software-as-a-Service von Matlantis Corp. (früher Preferred Computational Chemistry) gestartet, einem Unternehmen, das von PFN, ENEOS und Mitsubishi Corporation gemeinsam investiert wurde.

Matlantis wird von über 150 Unternehmen und Organisationen zur Entdeckung verschiedener Materialien wie Katalysatoren, Batterien, Halbleiter, Legierungen, Schmiermittel, Keramiken und Chemikalien verwendet. Weitere Informationen finden Sie unter: .

Media Contact:
Emily Townsend
Scratch Marketing + Media for Matlantis​
​