材料科学的"AI时刻"正在加速到来。7月上旬，由北京科学智能研究院联合深势科技研发的DPA4大原子模型在Matbench Discovery材料发现评测基准上登顶，综合得分创下该平台发布以来的历史新高。DPA4是继2025年的DPA3之后又一款里程碑级的大原子模型。与传统材料研发中"做实验、测数据、调配方"的试错模式不同，DPA4可以在原子尺度上对材料性能进行精确计算和预测，将新材料的研发周期从数年缩短到数周。
Matbench Discovery是国际上最权威的材料AI评测基准平台之一。它由美国加州大学伯克利分校和劳伦斯伯克利国家实验室联合开发，被公认为衡量AI模型在材料科学领域能力的"奥运会"赛事。这个基准的设计逻辑是：给定一种未知材料的晶体结构，AI模型能否准确预测它的关键物理属性，包括形成能、带隙、体积模量和热力学稳定性等。
DPA4在Matbench Discovery的评测中展现了全面的领先优势。在形成能预测任务上，DPA4将达到0.018 eV/atom的平均绝对误差，达到甚至优于第一性原理密度泛函计算的精度水平。在晶体结构稳定性预测上，DPA4的F1分数达到0.92，比第二名高出3个百分点。在带隙预测任务中，DPA4将预测误差从此前的0.12 eV降低了约0.09 eV。更令人印象深刻的是DPA4的通用性。在之前的版本中，大原子模型已经展现出了跨元素预测的能力，但主要局限在元素周期表的前30个元素范围内。DPA4将覆盖范围扩展到了19种元素类型，涵盖了元素周期表前六周期的绝大部分关键元素，从轻元素锂、碳到重元素钨、铂，都能以一个统一的模型框架进行预测。这一通用性意味着研究人员可以用同一个AI模型来设计电池电极材料和催化剂，不需要为每种材料单独训练模型。
要理解DPA4的意义，需要先了解传统材料计算的基本方法。密度泛函理论是目前材料科学中应用最广泛的量子力学计算方法，能够通过求解薛定谔方程来预测材料性质。它的精度很高，但计算成本极其昂贵。模拟一个包含200个原子的超胞结构，在128核的高性能服务器上需要运行数小时才能完成。如果要对数千种候选材料进行系统性的高通量筛选，计算量是天文数字，普通研究团队根本负担不起。
DPA4通过深度学习技术实现了对密度泛函理论的精确逼近。所谓的"大原子模型"，本质上是一个统一的神经网络力场。它使用海量的DFT计算数据训练出一个神经网络模型，这个模型不仅学会了原子之间的相互作用规律，还学会了如何在不同类型的原子组合之间"举一反三"。在推理时，DPA4只需要微秒级的时间就能完成对一种新材料的性质预测，而DFT计算需要数小时。5个数量级的速度提升意味着DPA4可以在一天之内完成传统方法需要数年才能完成的计算量，把材料筛选的效率推到了前所未有的高度。
DPA4相较于前代DPA3的最大改进在于引入了"动态邻居截断"机制。传统的原子力场模型在处理复杂合金体系时常常遇到"长程相互作用"的问题：两个距离较远的原子之间的相互作用虽然较弱，但在某些体系中可能对材料整体性质产生不可忽视的影响。DPA4通过动态调整每个原子的邻居截断半径，在计算精度和计算效率之间找到了一个比以往更好的平衡点，对复杂合金体系的预测精度较DPA3提升了约26%。
DPA4的技术价值已经在多个产业场景中得到了验证。在固态电池电解质材料的研发中，研究团队使用DPA4对超过45万种候选的锂离子导体结构进行了高通量筛选，最终锁定了27种具有应用潜力的候选材料。传统方法完成同样的筛选工作至少需要2年时间，而DPA4仅用了一周就完成了全部计算任务。这27种候选材料中，已有3种完成了实验验证，其中1种表现出远超传统LLZO电解质的锂离子电导率，室温离子电导率达到创纪录的每厘米毫西门子级别，为下一代高能量密度全固态电池的研发提供了关键的材料基础。
在催化剂设计领域，DPA4同样展现了强大的实用价值。电解水制氢是最有前景的绿色制氢技术之一，但其核心瓶颈在于缺乏高效稳定的电催化剂。研究团队利用DPA4对镍基合金催化剂的表面结构进行了系统的理论模拟，预测了不同元素配比对催化活性和稳定性的影响。基于DPA4的预测结果，团队设计了5种新型催化剂配方并进行了实验验证，其中一种铑镍合金催化剂的过电位比现有最佳商业催化剂降低了68毫伏，活性提升了近40%。更关键的是该催化剂的运转寿命超过了3000小时，表现出优异的稳定性。北京科学智能研究院表示，DPA4的完整模型权重已向全球学术界开放，研究团队正与多家产业合作伙伴对接，推动大原子模型在更多工业场景中的商业化落地，以AI之力加速新材料的发现和迭代过程。
DPA4的登顶不仅是技术团队的胜利，更传递出一个重要的产业信号：基础科学大模型正在成为科研基础设施，而不仅仅是学术实验室中的"新奇玩具"。正如GPU改变了计算范式、云计算改变了IT基础设施一样，大原子模型正在从根本上改变材料科学的研发方式。一个典型的中型材料实验室，在没有AI辅助的情况下，一年大约能完成500到1000次实验，能系统筛选的材料种类不过几十种。装备了DPA4之后，同样的人力和设备配置可以在虚拟环境中完成数百万种候选材料的高通量筛选，将最有潜力的材料用于实际实验验证，研发效率和命中率同时得到大幅提升。
从产业格局看，DPA4的成功让中国在全球AI4S领域占据了越来越重要的位置。过去材料科学的基础模型主要由欧美研究机构主导，但DPA系列模型的持续迭代正在打破这一格局。DPA4的登顶证明了小至原子尺度的微观世界，大至AI for Science的宏观产业，一条贯通底层基础科学和上层产业应用的国产技术路线正在成形。深势科技创始人张林峰表示，DPA4的核心贡献不仅在于打破世界纪录的评测成绩，更在于将"AI for Science"从概念推向实际产业应用的标准化落地。中国科学智能正在以DPA系列模型为核心，构建以AI驱动的材料计算、筛选和发现的完整研发链条，推动AI for Science在中国从实验室走向产业应用的全面提速，为全球新材料研发提供更高效率的解决方案和更具前瞻性的技术路径。