編輯 | 2049
材料創新是推動技術進步的關鍵驅動力之一。從 20 世紀 80 年代鋰鈷氧化物的發現到如今的鋰離子電池技術，材料科學的每一次突破都深刻影響著我們的日常生活。然而，傳統的材料發現方法依賴於耗時且昂貴的實驗試錯過程，而計算篩選方法雖然加速了這一過程，但仍然受限於已知材料的數量。
為了解決這一問題，微軟研究院 AI for Science 團隊開發了 MatterGen，一種基於生成式 AI 的材料設計工具，能夠直接根據設計需求生成新材料，從而大幅提升材料發現的效率。
該研究以「A generative model for inorganic materials design」為題，於 2025 年 1 月 16 日釋出在《Nature》。
研究背景
材料設計的速度直接影響著碳捕獲、半導體設計和能源儲存等領域的技術創新。傳統方法主要依賴於實驗和人類直覺，導致候選材料的測試數量有限，迭代週期長。
儘管高通量篩選（High-Throughput Screening）和機器學習力場（Machine Learning Force Fields, MLFFs）等技術的進步使得篩選數十萬種材料成為可能，但這些方法仍然受限於已知材料的數量。現有的最大規模探索僅涉及數百萬種材料，而這僅佔潛在穩定無機化合物的一小部分。
此外，這些方法難以高效地針對特定屬性進行最佳化。為了解決這些問題，逆向材料設計（Inverse Materials Design）應運而生，旨在直接生成滿足目標屬性約束的材料結構。然而，現有的生成模型在生成穩定材料、覆蓋元素範圍以及最佳化多種屬性方面仍存在顯著不足。
圖示：材料設計的篩選和生成方法的示意圖。（來源：論文）
核心理念與基礎理論
MatterGen 是一種基於擴散模型（Diffusion Model）的生成模型，專門用於設計跨元素週期表的晶體材料。擴散模型透過逆轉固定的噪聲過程生成樣本，而晶體材料由於其週期性和對稱性，需要定製化的擴散過程。MatterGen 透過逐步細化原子型別、座標和週期性晶格來生成晶體結構。
具體而言，MatterGen 定義了原子型別、座標和晶格的噪聲過程，並透過學習一個得分網路（Score Network）來逆轉這一過程。得分網路輸出原子型別、座標和晶格的等變得分，從而無需從資料中學習對稱性。這一設計使得 MatterGen 能夠生成穩定且多樣的無機材料。
圖示：MatterGen 的示意圖。（來源：論文）
具體實現方案
為了設計具有目標屬性約束的材料，MatterGen 引入了介面卡模組（Adapter Modules），用於在帶有屬性標籤的資料集上微調得分模型。介面卡模組是可調元件，能夠根據給定的屬性標籤改變模型的輸出。微調後的模型結合無分類器引導（Classifier-Free Guidance）技術，能夠生成滿足目標化學組成、對稱性或標量屬性（如磁密度）約束的材料。
MatterGen 的廣泛條件生成能力使其能夠解決多種逆向設計問題。例如，MatterGen 能夠生成具有目標化學組成、對稱性或機械、電子和磁屬性的穩定新材料。
圖示：MatterGen 和其他方法在生成穩定、獨特和新穎結構方面的效能。（來源：論文）
實驗設計與結果分析
為了驗證 MatterGen 的效能，研究團隊進行了多項實驗。
首先，生成的晶體結構在密度泛函理論（DFT）計算中表現出較高的穩定性，78% 的結構能量低於 0.1 eV/atom 的閾值。此外，生成結構與 DFT 鬆弛結構的均方根偏差（RMSD）低於 0.076 Å，表明這些結構非常接近 DFT 區域性能量最小值。在多樣性和新穎性方面，MatterGen 生成的結構中有 61% 是新穎的，且在大規模生成時仍能保持較高的多樣性。
與現有生成模型相比，MatterGen 生成的穩定、獨特且新穎（S.U.N.）材料的比例提高了兩倍以上，且生成的結構更接近其區域性能量最小值。
為了驗證 MatterGen 的實際應用效果，研究團隊與深圳先進技術研究院合作，成功合成了 MatterGen 生成的 TaCr2O6 材料。
實驗結果表明，合成材料的結構與生成的結構高度一致，且其體積模量的實驗測量值為 169 GPa，與設計目標 200 GPa 的相對誤差低於 20%。這一結果驗證了 MatterGen 的生成能力及其在實際應用中的潛力。
此外，MatterGen 在處理成分無序（compositional disorder）方面也表現出色，透過新的結構匹配演算法，能夠識別具有相同成分無序結構的不同材料，從而提高了生成的準確性和新穎性。
結語
MatterGen 的提出標誌著材料設計領域的一次重大突破。透過引入定製化的擴散過程和介面卡模組，MatterGen 能夠生成穩定、多樣且滿足多種屬性約束的無機材料。實驗結果表明，MatterGen 在生成穩定性和多樣性方面顯著優於現有方法，並且能夠透過微調滿足廣泛的屬性約束。
然而，MatterGen 仍存在一些侷限性，例如在生成較大晶體時傾向於生成對稱性較低的結構。未來的研究可以進一步最佳化去噪過程、擴充套件訓練資料集，並探索更廣泛的材料類別，如催化劑表面和金屬有機框架。隨著生成模型在影像生成和蛋白質設計等領域的成功應用，MatterGen 有望在未來幾年內徹底改變材料設計的方式。
論文連結：https://www.nature.com/articles/s41586-025-08628-5