一水 发自 凹非寺
量子位 | 公众号 QbitAI
超越有限已知材料，材料界的AlphaFold来了？！
刚刚，微软CEO纳德拉亲自站台，官宣旗下MatterGen模型登上Nature，能够超越目前已知材料，利用AI发现针对特定需求的新材料了。
这也意味着材料设计领域产生了新的范式：
利用生成式AI，材料发现从传统的数据库筛选转变为根据需求提示直接生成。
有网友反手就是精辟总结，这不就是“材料界的AlphaFold”的感jio吗？
据论文介绍，相比传统的发现方法，MatterGen能将生成稳定、独特且新颖材料的比例提高2倍以上，并使生成结构距离其DFT局部能量最小值（即准确性）提高近10倍之多。
而这些提升，对电动车、航空航天、电子芯片等高科技领域潜力巨大。
消息公布后，评论区直接“Awesome”一片，大家纷纷表示AI将极大加速材料发现。
与此同时，论文作者之一Tian Xie也补充道，团队将在MIT许可下发布MatterGen的训练和推理代码，以满足开源社区进一步探索。
值得一提的是，论文也提到了，微软和中科院SIAT（深圳先进技术研究院）的团队还合作利用MatterGen成功得到了一种新型材料TaCr₂O₆，并测量了属性值在目标20%以内。
具体如何实现的
概括而言，MatterGen模型发挥作用的关键，全在于背后独特的扩散模型架构。
和图像扩散模型类似，也是从一个随机噪声的材料结构开始，逐步调整原子位置、元素类型和晶格结构，直到生成出一个符合设计要求的材料结构。
这一扩散过程中，有两个关键组件值得一提。
一个是等变分数网络，负责学习如何从扩散过程中恢复出原始的晶体结构（即去噪过程）。
具体来说，等变分数网络通过学习数据中的模式，能够输出原子类型、坐标和晶格的等变分数。这些分数代表了每个原子和晶格参数在当前结构中的“不适配度”，即它们与理想晶体结构的偏差。
网络通过计算这些分数，指导模型如何调整原子和晶格参数，以减少结构中的噪声，使其更接近一个稳定的晶体结构。
具体操作包括：
-
对于原子类型：根据材料的化学组成规律和对称性，判断原子类型的变化是否合理；
-
对于坐标：依据晶体的周期性边界条件和几何特征，纠正因扩散引入的坐标偏差；
-
对于晶格：可结合晶格的对称性和材料的物理性质，调整晶格参数，使生成的晶格结构稳定且符合要求；
另一个就是适配器模块，负责对预训练的分数网络进行微调。
这是一个可调节的组件，被引入到模型的每一层当中，能根据给定的性质标签改变模型输出。
也就是说，当需要生成具有特定化学组成、对称性或标量性质（如磁密度）约束的材料时，可以利用带有相应性质标签的数据集对模型进行微调。
在微调过程中，分数网络参数会被优化，以使模型生成的结构更好地满足特定任务的要求。这一组件不仅提升了模型的适用性，微调也意味着无需从头学习每个任务的特性。
实际上，微软早在一年前就发布了MatterGen模型，当时谷歌DeepMind的GNoME工具成功预测出220万种晶体结构，在学术界掀起热议。
相比上次，该项研究作者之一Tian Xie声称，MatterGen模型来了个大进化。
整体上，性能指标升级了。不仅成功合成了新的材料，而且其属性值与目标值的偏差降低到了20%以内。
同时得益于一种新的结构匹配算法，其生成稳定、新颖材料的比例提高了2倍以上。
除此之外，微软也在官方博客中提醒：
MatterGen模型最好和我们的另一款MatterSim模型搭配食用。
在材料发现领域，它们各自发挥着独特而互补的作用，重塑了研究人员设计和验证新材料的方式。
一句话， MatterGen提方案，MatterSim进一步预测。
一旦MatterGen生成了可能的材料结构，MatterSim便运用严格的计算分析来进一步预测这种可能性。后者就像筛子一样，从理论上可能和实际上可能之间筛选出可行的。
据了解，MatterSim模型结合了深度学习技术，通过学习原子之间的相互作用，在绝对零度到5000开尔文、从标准大气压到一千万倍大气压范围内，模拟金属、氧化物、硫化物、卤化物及其不同状态（如晶体、非晶固体和液体）等多种材料。
一个经过定制的MatterSim模型，仅需3%的原始数据，就能达到预期的实验精度模拟。
那么接下来的问题是：MatterGen有哪些实际应用呢？
合成了一种新型材料TaCr₂O₆
对此，论文也提到了几种典型应用场景。
比如在目标化学系统中生成材料。
与替代法和随机结构搜索（RSS）对比，在多种化学体系中，MatterGen生成S.U.N.（稳定Stable、独特Unique、新颖Novel）结构比例最高。
而且在五元体系（即由五种元素组成的体系，体现复杂性）表现突出，计算效率优势明显，在V-Sr-O （ 钒- 锶- 氧）体系也发现了更多新颖结构。
再比如设计具有目标磁性、电子和力学性能的材料。
可以看到，针对磁性、电子和机械性能相关的逆设计任务，MatterGen在不同规模标签数据下均能使生成材料性能值向目标偏移。
且在有限DFT计算预算下，相比筛选方法，能找到更多满足极端性能约束的S.U.N.材料。
最后论文还提到了设计低供应链风险磁铁。
简单说，以设计高磁密度且低供应链风险的磁铁为例，MatterGen生成结构围绕目标值分布，联合优化磁性密度和低Herfindahl – Hirschman指数（HHI）时，能减少供应链风险元素，还重新发现许多类似永磁材料的实验合成结构。
与此同时，为了验证MatterGen的有效性，微软团队还和中科院SIAT（深圳先进技术研究院）团队合作合成了一种新材料TaCr₂O₆。
这一材料是通过对MatterGen生成的高体积模量材料进行多轮筛选后获得，实验测得体积模量为169GPa，与200GPa设计值相对误差低于20%。
若此结果能推广，将对电池、燃料电池等设计影响深远。
总之，按照微软对上述研究的评价：
MatterGen使生成式AI辅助材料设计进入了一个新范式，允许高效探索材料，超越了已知材料的有限集合。
你怎么看？
论文：
https://www.nature.com/articles/s41586-025-08628-5
GitHub：
https://github.com/microsoft/mattergen
（文：量子位）