PFN自研MN-Core 2将用于Matlantis材料探索
要点：
- PFN自主研发的AI半导体“MN-Core 2”将被用于材料探索模拟器“Matlantis”。
- 在结晶结构计算等部分任务中，可在保持同等精度的前提下，相比GPU最高提速约4倍。
- 计划于2026年内开始提供。
Preferred Networks（PFN）与Preferred Computing Infrastructure（PFCI）于9月18日宣布，计划在2026年内开始将PFN自主研发的AI半导体“MN-Core 2”的计算资源，提供给材料探索用通用原子级模拟器“Matlantis”。
PFCI运营的AI云服务“Preferred Computing Platform（PFCP）”上的MN-Core 2，将由PFN集团旗下的Matlantis作为计算资源使用。Matlantis用户无需改变现有使用环境，即可在目标模拟中使用MN-Core 2的计算能力。
结晶结构计算等相比GPU最高提速4倍
Matlantis是利用AI技术模拟原子级材料行为的云服务。它能够在计算机上预测任意组合96种元素时的物性，并称相比传统方法，材料探索速度最高可达数千万倍。全球已有150多家企业和学术机构将其用于下一代电池、催化剂、半导体材料等研发。
模拟使用PFN开发的机器学习原子间势材料基础模型“Matlantis PFP”。目前主要使用GPU作为计算资源，不过已确认，在以电池材料用结晶为代表的部分结构中，使用MN-Core 2可在保持同等精度的同时，相比GPU最高提速约4倍。
MN-Core 2的特点是，相对于运算量而言，其本地内存容量比GPU更大，并且通过软件控制的自由度更高。因此，根据计算对象原子数、结构以及计算处理内容的不同，它能比GPU更高效地推进模拟。
不过，并非将所有Matlantis计算都替换为MN-Core 2，而是以有望实现高速化的部分任务为对象。预计将根据工作负载区分使用GPU和MN-Core 2，以提高材料探索整体的计算效率。
有望增加新材料探索的尝试次数
在材料研究中，需要一边改变原子组合、结晶结构、温度、压力等条件，一边评估大量候选。如果能够加快模拟，就可以在同一期间内尝试更多材料候选和条件，还可以在实验前筛选出有希望的候选。这有望抑制实验和试制所需的时间与成本，并缩短新材料开发周期。
尤其是下一代电池的电极、电解质材料、催化剂、半导体材料等，不仅需要性能，还必须满足安全性、耐久性、资源限制、制造成本、环境负荷等多重条件。增强计算资源、能够高速比较和验证大量条件，将影响材料探索效率，并有望扩大可探索的材料空间。
PFN集团一直推进根据用户课题，将自研与其他公司技术组合，以最优技术和解决方案提供的举措。此次这一举措也扩展到了Matlantis，通过根据计算处理特性区分使用GPU和MN-Core 2，材料探索服务整体的性能将得到提升。
