微软最新Nature：生成式AI材料设计工具！

一、【科学背景】

设计具有所需性能的功能材料对于推动能源储存、催化和碳捕获等领域的技术进步至关重要。然而，传统的材料发现方法依赖实验和研究者的直觉，候选材料的测试范围有限，迭代周期较长。近年来，高通量筛选、开放材料数据库、基于机器学习的属性预测器和机器学习力场等技术的进步，使得筛选数十万种材料成为可能。生成模型通过直接生成具有所需目标属性的新材料，为材料设计提供了新的范式，但目前的方法在提出稳定晶体方面成功率较低，或只能满足有限的属性需求。

二、【创新成果】

基于以上难题，微软人工智能科学研究院谢天博士和Ryota Tomioka博士等人合作，在Nature发表了题为“A generative model for inorganic materials design”的论文，报道开发了一种名为MatterGen的模型，这是一种能在元素周期表中生成稳定、多样化无机材料的模型，并支持进一步微调，以引导生成过程达到广泛的性能需求。与之前的生成模型相比，MatterGen生成的结构新颖稳定的可能性提升了一倍，生成接近局部能量最小值结构的可能性提高了10倍多。经过微调，MatterGen成功地生产出具有所需化学、对称性以及机械、电子和磁性的稳定新型材料。作为概念验证，研究人员合成一个生成的结构，并测量其属性值，结果与其目标值的偏差在20%范围内。研究人员认为，MatterGen在生成材料的质量和功能广度代表了材料设计创建基础生成模型的重大进步。

图1  使用MatterGen进行无机材料设计 © 2025 Springer Nature

图2  生成稳定、独特和新颖的无机材料 © 2025 Springer Nature

图3  在目标化学系统中生成材料 © 2025 Springer Nature

图4  设计具有目标磁性、电子和机械性能的材料 © 2025 Springer Nature

图5  低供应链风险磁体的设计 © 2025 Springer Nature

图6  生成结构的实验验证 © 2025 Springer Nature

三、【科学启迪】

生成模型在逆向设计中展现出巨大潜力，但生成稳定晶体材料的 3D 结构因其周期性和原子间复杂相互作用而具有挑战性。MatterGen 的提出标志着材料设计领域的一次重大突破。通过引入定制化的扩散过程和适配器模块，MatterGen 能够生成稳定、多样且满足多种属性约束的无机材料。实验结果表明，MatterGen 在生成稳定性和多样性方面显著优于现有方法，并且能够通过微调满足广泛的属性约束。MatterGen 的能力和生成质量代表了材料生成模型的重要突破，未来可扩展至更广材料类别及复杂属性，助力解决固氮、碳捕获等难题，推动材料设计的全面革新。

原文详情： A generative model for inorganic materials design (Nature 2025, DOI: 10.1038/s41586-025-08628-5)

本文由赛恩斯供稿。