項目 #13評分 3.55可及性 C最後查證 2026-08-15
金屬有機框架（MOF）的可能組合有上兆種，而傳統模擬算一個要七小時到兩天。普林斯頓的機器學習模型把它壓到幾秒。更有意思的是第二層：他們發現用多樣性（而不是只用「好」）當搜尋目標，能找到標準方法系統性漏掉的好材料。
兆級的材料組合裡，最好的那些藏在「不像」的地方
🔧 更正紀錄（2026-08-15）
Top 20 清單中本項目歸屬錯誤。 原文寫成「Leslie Schoop 與 Bogdan Bernevig」的成果。
實際上，2026 年 1 月那個「大幅縮小理想材料結構搜尋範圍」的工具，是普林斯頓資工系 Adji Bousso Dieng 教授的 Vertaix 實驗室做的，主題是金屬有機框架（MOF）。
Schoop 與 Bernevig 在新的 NSF 資助 AI 研究所擔任領導角色，那是機構層面的事，與這個工具是兩回事。我把兩件事混講了。
本篇以 Dieng 的成果為主題重寫。
鉤子
材料科學有一個令人沮喪的算術問題。
假設你想找一種材料，能高效吸附二氧化碳。你知道大致的化學家族，你知道要調哪些參數。
然後你算一下有多少種可能：上兆種。
而要判斷其中一種行不行，傳統的分子模擬要跑七個小時到兩天以上。
拿兩天乘以一兆，你得到一個沒有意義的數字。
所以材料科學的實務是：憑經驗和直覺挑幾百種來算。
這件事的問題不在於它慢。在於——你的直覺會把你帶到你已經知道的地方。