摘要：材料创新是推动技术进步的关键驱动力之一。从 20 世纪 80 年代锂钴氧化物的发现到如今的锂离子电池技术，材料科学的每一次突破都深刻影响着我们的日常生活。然而，传统的材料发现方法依赖于耗时且昂贵的实验试错过程，而计算筛选方法虽然加速了这一过程，但仍然受限于已知

编辑 | 2049

材料创新是推动技术进步的关键驱动力之一。从 20 世纪 80 年代锂钴氧化物的发现到如今的锂离子电池技术，材料科学的每一次突破都深刻影响着我们的日常生活。然而，传统的材料发现方法依赖于耗时且昂贵的实验试错过程，而计算筛选方法虽然加速了这一过程，但仍然受限于已知材料的数量。

为了解决这一问题，微软研究院 AI for Science 团队开发了 MatterGen，一种基于生成式 AI 的材料设计工具，能够直接根据设计需求生成新材料，从而大幅提升材料发现的效率。

该研究以「A generative model for inorganic materials design」为题，于 2025 年 1 月 16 日发布在《Nature》。

研究背景

材料设计的速度直接影响着碳捕获、半导体设计和能源存储等领域的技术创新。传统方法主要依赖于实验和人类直觉，导致候选材料的测试数量有限，迭代周期长。

尽管高通量筛选（High-Throughput Screening）和机器学习力场（Machine Learning Force Fields, MLFFs）等技术的进步使得筛选数十万种材料成为可能，但这些方法仍然受限于已知材料的数量。现有的最大规模探索仅涉及数百万种材料，而这仅占潜在稳定无机化合物的一小部分。

此外，这些方法难以高效地针对特定属性进行优化。为了解决这些问题，逆向材料设计（Inverse Materials Design）应运而生，旨在直接生成满足目标属性约束的材料结构。然而，现有的生成模型在生成稳定材料、覆盖元素范围以及优化多种属性方面仍存在显著不足。

图示：材料设计的筛选和生成方法的示意图。（来源：论文）

核心理念与基础理论

MatterGen 是一种基于扩散模型（Diffusion Model）的生成模型，专门用于设计跨元素周期表的晶体材料。扩散模型通过逆转固定的噪声过程生成样本，而晶体材料由于其周期性和对称性，需要定制化的扩散过程。MatterGen 通过逐步细化原子类型、坐标和周期性晶格来生成晶体结构。

具体而言，MatterGen 定义了原子类型、坐标和晶格的噪声过程，并通过学习一个得分网络（Score Network）来逆转这一过程。得分网络输出原子类型、坐标和晶格的等变得分，从而无需从数据中学习对称性。这一设计使得 MatterGen 能够生成稳定且多样的无机材料。

图示：MatterGen 的示意图。（来源：论文）

具体实现方案

为了设计具有目标属性约束的材料，MatterGen 引入了适配器模块（Adapter Modules），用于在带有属性标签的数据集上微调得分模型。适配器模块是可调组件，能够根据给定的属性标签改变模型的输出。微调后的模型结合无分类器引导（Classifier-Free Guidance）技术，能够生成满足目标化学组成、对称性或标量属性（如磁密度）约束的材料。

MatterGen 的广泛条件生成能力使其能够解决多种逆向设计问题。例如，MatterGen 能够生成具有目标化学组成、对称性或机械、电子和磁属性的稳定新材料。

图示：MatterGen 和其他方法在生成稳定、独特和新颖结构方面的性能。（来源：论文）

实验设计与结果分析

为了验证 MatterGen 的性能，研究团队进行了多项实验。

首先，生成的晶体结构在密度泛函理论（DFT）计算中表现出较高的稳定性，78% 的结构能量低于 0.1 eV/atom 的阈值。此外，生成结构与 DFT 松弛结构的均方根偏差（RMSD）低于 0.076 Å，表明这些结构非常接近 DFT 局部能量最小值。在多样性和新颖性方面，MatterGen 生成的结构中有 61% 是新颖的，且在大规模生成时仍能保持较高的多样性。

与现有生成模型相比，MatterGen 生成的稳定、独特且新颖（S.U.N.）材料的比例提高了两倍以上，且生成的结构更接近其局部能量最小值。

为了验证 MatterGen 的实际应用效果，研究团队与深圳先进技术研究院合作，成功合成了 MatterGen 生成的 TaCr2O6 材料。

实验结果表明，合成材料的结构与生成的结构高度一致，且其体积模量的实验测量值为 169 GPa，与设计目标 200 GPa 的相对误差低于 20%。这一结果验证了 MatterGen 的生成能力及其在实际应用中的潜力。

此外，MatterGen 在处理成分无序（compositional disorder）方面也表现出色，通过新的结构匹配算法，能够识别具有相同成分无序结构的不同材料，从而提高了生成的准确性和新颖性。

图示：拟议化合物 TaCr2O6 的实验验证 。（来源：论文）

结语

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。

然而，MatterGen 仍存在一些局限性，例如在生成较大晶体时倾向于生成对称性较低的结构。未来的研究可以进一步优化去噪过程、扩展训练数据集，并探索更广泛的材料类别，如催化剂表面和金属有机框架。随着生成模型在图像生成和蛋白质设计等领域的成功应用，MatterGen 有望在未来几年内彻底改变材料设计的方式。

论文链接：

相关报道：

代码链接：

来源：冉哥说事