独家｜MATARIA元材新界完成数千万种子轮融资，世界级材料科学家进场，剑指AI4M终极范式

近日，AI4M材料物理智能引擎公司MATARIA（元材新界）宣布完成数千万人民币种子轮融资，由君联资本领投、小苗朗程跟投，点石资本后续担任独家财务顾问。

公司由连续八年入选科睿唯安全球高被引科学家刘政教授领衔，联合AI多智能体与强化学习前沿学者安波，以及深耕材料AI研发和工程仿真的汤碧珺、肖玉善组成跨学科核心团队。这支团队打造的AI Native材料研发产线，已经在产业龙头的实验室里开发下一代材料。

世界级材料科学家领衔，汇聚AI与工程化跨学科团队

作为南洋理工大学材料科学与工程学院讲席教授，刘政在二维材料研究领域深耕二十余年，已发表500余篇学术论文，其中70余篇发表于《Nature》《Science》及其子刊，论文累计引用超过8万次。他曾获《纽约时报》专题报道，以及亚太经合组织科学奖。除学术研究外，他还推动通用型二维材料制备方法的研究，积累了跨材料体系的科学与实验基础。

与刘政共同投入创业的安波，是南洋理工大学校长讲席教授、AAAI Fellow，担任该校人工智能研究院院长、AI-for-X中心主任，长期深耕多智能体与强化学习领域。两位教授的合作，将材料物理知识与前沿AI方法连接起来。

CEO汤碧珺博士兼具材料科学研究和AI4M实践经验。作为南洋理工大学新锐科学家、AI 2050 Fellow，她入选《福布斯》30位30岁以下精英榜，参与发表40余篇高水平学术论文，曾牵头多项百万级AI4S研究项目，并在纳米材料研究中较早探索“模型推荐—实验验证—数据反馈”的闭环。CTO肖玉善博士则是复合材料与仿真专家，主导开发Compelix平台和AutoFEM引擎，将AI工具与有限元仿真相结合，推动材料设计及仿真工作流程自动化。

团队的跨学科协作可以追溯到2017年。当时，刘政开始探索以AI提高材料合成效率。汤碧珺在二维材料合成研究中，面对前驱体、温度、流速及升温方式等十多个参数，仅靠人工试验难以充分探索其组合空间。在刘政的介绍下，她与关存太院士、安波等AI学者交流，团队从小参数模型入手，将每次实验，包括未获成功的实验，都按统一标准记录。

主动学习模型随后开始推荐下一轮实验，几百组实验被压缩到四分之一到五分之一，周期从几个月缩短到几天；相关方法又被推广到材料形貌控制、量子点全光谱发光等多个体系。团队坚持AI研究人员与材料研究人员共同讨论问题：前者理解实验过程，后者掌握模型运行逻辑。近年来，团队持续参与海外AI材料研究，形成了一批可在不同任务中复用的方法，部分项目已完成验收并用于后续合作。

材料研发的难点，不止于生成候选配方

近年来，生成式AI在材料领域的应用持续增加，但从模型提出候选材料，到真实制造并满足应用要求，中间仍存在较长的验证链条。MATARIA认为，材料研发的核心价值不仅在候选配方，还在可经受产线验证、能够复用的工程方案和知识产权。

从候选到工程方案，中间有几道坎，需要材料科学与AI的共同参与。

第一道坎是尺度。材料问题从原子一路延伸到宏观，空间上横跨十多个数量级。通用大模型学的是统计规律，学不到物理直觉。此外，物理工具也有看走眼的时候：红外材料带隙很小，第一性原理算出有带隙，真合成出来却可能是金属。哪个结果能信，哪个必须验证，模型自己判断不了。

第二道坎是数据。文献更常呈现成功实验和最终性能，失败实验以及制备过程中的动态变化记录不足；公开数据库里约有10%至20%的数据因简化假设而失真，半导体被算成绝缘体并不稀奇。

第三道坎是翻译。企业提出的“更轻、更强、更耐热”等目标，也需要进一步转化为成分、结构、制备工艺及性能指标等AI能回答的具体问题。

基于这些判断，MATARIA采取“模型预测—物理计算—实验验证—数据回流”的研发路径。其技术架构以跨尺度材料模型为基座，结合AutoDFT、AutoFEM和相图计算等工具，把候选方案逐步筛选后送入实验，并将实验和产线反馈用于持续校准模型。在团队设计的流程中，模型可以先产生大量候选，再经过物理推演层层缩小范围，最后将少量方案交给实验室验证。这样，模型生成不再是单独的终点，而是可追踪、可复核的研发环节。

从过程数据到物理验证，建立研发闭环

MATARIA 的架构从一开始就是闭环，而最难的一环是数据从何而来。大多数材料论文只记录成分和性能，中间状态一概不提；而 MATARIA 要的，是材料在温度、压力、应力下一步步演化的完整轨迹。

这种数据买不到，只能靠自己获取。团队把传统实验设备改成“会记录的设备”：根据不同材料体系的研发需求，在合成、加工与测试等环节开展差异化改造和自动化建设，持续记录材料从制备到验证的关键过程数据。

此外，团队积累了近十年的单原子级电镜数据，以及同一材料在仿真和实验两端的交叉校准数据。这些数据被用于识别材料演化过程中的关键状态，并提升模型预测结果的可检验性。团队认为，能否捕捉、解释这些中间状态，是材料AI区别于单纯文献挖掘的重要环节。

以多功能复合材料为切口，从研发验证走向产业应用

在产业验证方面，MATARIA提供了两类结果。其一，在商业复材体系强度预测任务中，据团队测试，模型预测误差仅为±1.2%，落在实验区间内；同一任务中，被比较的海外通用大语言模型误差最高为±15.6%。其二，团队在不到两个月内定位到双波段红外四元材料体系；另一项超薄红外材料技术已授权给一家海外光子技术企业。上述结果分别涉及预测精度、材料体系研发效率和技术授权。

2025年底，团队把复材研发能力整合为初步产品，并接触产业客户。当时，部分头部企业及软件公司曾提出一次性买断相关专利的意向。随着产业需求增加，团队于2026年春正式决定创业。在已有的数十种材料体系储备中，团队优先选择与商业应用距离更近的多功能复材。汤博士说：“科学意义大于商业意义的方向，可以留在学校里做，公司要负责生存。”

复材这个切口够窄，也够深。复材涉及树脂、纤维、铺层、界面和宏观力学等多个层次，也需要同步考虑结构与制造工艺。例如，当火箭外壳从金属改用复材时，树脂与碳纤维的选取、铺层方式、材料界面、宏观力学乃至拓扑结构都需要共同设计。每一个设计，本身就是一种新材料。

公司的产业合作不局限于输出模型预测报告。团队与航空航天、先进封装、核能等领域的头部企业从下一代产线设计阶段开展合作，覆盖上游材料设计、中游工艺优化和下游服役期健康监测，利用研发和运行过程中的反馈持续校准模型。目前，近10家航空制造、复材和化工领域的龙头或新锐企业已开始使用其技术。刘政把这概括为九个字：“早介入、深绑定、共成长”。

未来18个月：从复材验证走向更多材料体系

未来18个月，MATARIA计划推出可部署的跨尺度材料模型V1.0，并在3至5个行业完成试点。在组织上，公司采用“1+X+Y”的架构：“1”是跨尺度材料模型这个共同的基座，“X”是连接模型与实验的研发平台，“Y”是一个个垂直产业单元，各配一位产业合伙人负责落地与交付。复材是第一个“Y”，半导体材料、红外光电材料会是接下来的方向。

对于这一路线，挑战仍然明确：高质量过程数据的采集成本较高，跨尺度推演的计算与校准难度较大，材料从实验室走向产线也需要较长周期。MATARIA的推进路径，是将已有的材料研究、仿真工具与产业合作结合，在具体应用场景中检验模型的准确性和工程适用性。其跨尺度材料模型能否在不同材料体系和生产条件下持续复用，将是后续商业化验证的关键。

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”