先了解这件事
AI 综述
Goodfire 提出一种自校正搜索方法,用于提升材料发现效率。该方法与 Radical AI 合作,用可解释性工具为扩散模型 MatterGen 加入基于自身内部表征的反馈回路。在目标带隙 4–6 eV 范围内,可行候选材料数量提升约 30%。MatterGen 原本仅 15% 的生成样本落在该带隙区间,同时满足 Stable、Unique、Novel(SUN)标准的只有 6.5%。Goodfire 表示,该自校正搜索是一种通用技术,或可推广到蛋白质设计与药物发现等扩散模型场景。目前尚无后续发展事实。
AI 根据公开报道生成
最新进展 · 正式报道
Goodfire 用自校正搜索加速材料发现，可行候选材料提升约 30%事件进展
1 个已确认进展
- 来源：Goodfire Research
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月10日
Goodfire Research一手
Goodfire 用自校正搜索加速材料发现，可行候选材料提升约 30%
Goodfire 与 Radical AI 合作，用可解释性工具为扩散模型 MatterGen 加入基于自身内部表征的反馈回路，在目标带隙 4–6 eV 范围内将可行候选材料数量提升约 30%。MatterGen 原本仅 15% 的生成样本落在该带隙区间，同时满足 Stable、Unique、Novel（SUN）标准的只有 6.5%。该自校正搜索是一种通用技术，或可推广到蛋白质设计与药物发现等扩散模型场景。