新材料的发现是解决人类一些最大挑战的关键。然而，正如所强调的微软，发现新材料的传统方法感觉就像“大海捞针”。
从历史上看，寻找新材料依赖于费力且昂贵的试错实验。最近，对大量材料数据库的计算筛选有助于加快这一过程，但它仍然是一个耗时的过程。
现在，微软推出的一款强大的新型生成式人工智能工具可以显着加速这一过程。该工具被称为 MatterGen，它摆脱了传统的筛选方法，而是根据设计要求直接设计新颖的材料，为材料发现提供了一种可能改变游戏规则的方法。
发表于论文自然，微软将 MatterGen 描述为在材料的 3D 几何结构中运行的扩散模型。图像扩散模型可以通过调整像素颜色根据文本提示生成图像，而 MatterGen 通过改变随机结构中的元素、位置和周期性晶格来生成材料结构。这种定制架构专为满足材料科学的独特需求而设计，例如周期性和 3D 排列。
“MatterGen 实现了生成式 AI 辅助材料设计的新范例，可以有效地探索材料，超越有限的已知材料，”Microsoft 解释道。
超越筛选的飞跃
传统的计算方法涉及筛选潜在材料的巨大数据库，以识别具有所需特性的候选材料。然而，即使这些方法探索未知材料宇宙的能力也有限，并且需要研究人员在找到有希望的候选者之前筛选数百万种选择。
相比之下，MatterGen 从头开始，根据有关化学、机械属性、电子属性、磁性行为或这些约束组合的特定提示生成材料。该模型使用从 Materials Project 和 Alexandria 数据库编译的超过 608,000 种稳定材料进行训练。
在下面的比较中，MatterGen 在生成具有特定特性的新型材料方面显着优于传统筛选方法，特别是体积模量大于 400 GPa，这意味着它们难以压缩。
虽然随着时间的推移，随着已知候选者库的耗尽，筛选的回报逐渐递减，但 MatterGen 继续产生越来越新颖的结果。
材料合成过程中遇到的一个常见挑战是成分无序，即原子在晶格内随机交换位置的现象。在决定什么算作“真正新颖”的材料时，传统算法通常无法区分相似的结构。
为了解决这个问题，微软设计了一种新的结构匹配算法，将成分紊乱纳入其评估中。该工具可以识别两个结构是否仅仅是同一底层无序结构的有序近似，从而实现更稳健的新颖性定义。
证明 MatterGen 适用于材料发现
为了证明 MatterGen 的潜力，微软与中国科学院深圳先进技术研究院 (SIAT) 的研究人员合作，实验合成了一种由人工智能设计的新型材料。
该材料 TaCr–O– 由 MatterGen 生成，可满足 200 GPa 的体积模量目标。虽然实验结果略低于目标（测得的模量为 169 GPa），但相对误差仅为 20%——从实验角度来看，差异很小。
有趣的是，最终材料表现出 Ta 和 Cr 原子之间的成分无序，但其结构与模型的预测密切相关。如果这种水平的预测准确性可以转化为其他领域，MatterGen 可能会对电池、燃料电池、磁体等的材料设计产生深远的影响。
今天在@自然：我们的 MatterGen 模型代表了材料设计的范式转变，应用生成式人工智能以前所未有的精度创建具有特定属性的新化合物。pic.twitter.com/RpnphXUY0c
– 萨蒂亚·纳德拉 (@satyanadella)2025 年 1 月 16 日
微软将 MatterGen 定位为其之前的人工智能模型的补充工具，物质模拟，这加速了材料特性的模拟。这些工具一起可以充当技术“飞轮”，增强对新材料的探索以及在迭代循环中对其特性的模拟。
这种方法符合微软所说的“科学发现的第五范式”，其中人工智能超越了模式识别，主动指导实验和模拟。
微软发布了 MatterGen™源代码根据麻省理工学院的许可。除了代码之外，该团队还提供了模型的训练和微调数据集，以支持进一步的研究并鼓励更广泛地采用该技术。
考虑到生成式人工智能更广泛的科学潜力，微软将其与药物发现进行了类比，此类工具已经开始改变研究人员设计和开发药物的方式。同样，MatterGen 可以重塑我们材料设计的方式，特别是在可再生能源、电子和航空航天工程等关键领域。
（图片来源：微软）
想向行业领导者了解更多关于人工智能和大数据的知识吗？查看人工智能与大数据博览会在阿姆斯特丹、加利福尼亚和伦敦举行。该综合活动与其他主要活动同期举行，包括智能自动化大会,布洛克X,数字化转型周， 和网络安全与云博览会。
探索由 TechForge 提供支持的其他即将举行的企业技术活动和网络研讨会这里。