一、微軟【科學背景】
設計具有所需性能的最新功能材料對于推動能源儲存、催化和碳捕獲等領域的生成式技術進步至關重要。然而，料設料牛傳統的計工具材材料發現方法依賴實驗和研究者的直覺，候選材料的微軟測試范圍有限，迭代周期較長。最新近年來，生成式高通量篩選、料設料牛開放材料數據庫、計工具材基于機器學習的微軟屬性預測器和機器學習力場等技術的進步，使得篩選數十萬種材料成為可能。最新生成模型通過直接生成具有所需目標屬性的生成式新材料，為材料設計提供了新的料設料牛范式，但目前的計工具材方法在提出穩定晶體方面成功率較低，或只能滿足有限的屬性需求。
二、【創新成果】
基于以上難題，微軟人工智能科學研究院謝天博士和Ryota Tomioka博士等人合作，在Nature發表了題為“A generative model for inorganic materials design”的論文，報道開發了一種名為MatterGen的模型，這是一種能在元素周期表中生成穩定、多樣化無機材料的模型，并支持進一步微調，以引導生成過程達到廣泛的性能需求。與之前的生成模型相比，MatterGen生成的結構新穎穩定的可能性提升了一倍，生成接近局部能量最小值結構的可能性提高了10倍多。經過微調，MatterGen成功地生產出具有所需化學、對稱性以及機械、電子和磁性的穩定新型材料。作為概念驗證，研究人員合成一個生成的結構，并測量其屬性值，結果與其目標值的偏差在20%范圍內。研究人員認為，MatterGen在生成材料的質量和功能廣度代表了材料設計創建基礎生成模型的重大進步。
圖1 ?使用MatterGen進行無機材料設計???2025?Springer Nature
圖2 ?生成穩定、獨特和新穎的無機材料 ??2025?Springer Nature
圖3 ?在目標化學系統中生成材料 ??2025?Springer Nature
?
圖4 ?設計具有目標磁性、電子和機械性能的材料 ??2025?Springer Nature
?
圖5 ?低供應鏈風險磁體的設計???2025?Springer Nature
?
圖6??生成結構的實驗驗證 ??2025?Springer Nature
?
三、【科學啟迪】
生成模型在逆向設計中展現出巨大潛力，但生成穩定晶體材料的 3D 結構因其周期性和原子間復雜相互作用而具有挑戰性。MatterGen 的提出標志著材料設計領域的一次重大突破。通過引入定制化的擴散過程和適配器模塊，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于現有方法，并且能夠通過微調滿足廣泛的屬性約束。MatterGen 的能力和生成質量代表了材料生成模型的重要突破，未來可擴展至更廣材料類別及復雜屬性，助力解決固氮、碳捕獲等難題，推動材料設計的全面革新。
原文詳情：?A generative model for inorganic materials design?(Nature 2025, DOI: 10.1038/s41586-025-08628-5)
本文由賽恩斯供稿。
