![]()
【做计算 找华算】理论计算助攻顶刊，50000+成功案例，全职海归技术团队、正版商业软件版权！
设计具有理想性能的功能材料，对于推动储能、催化和碳捕获等领域的技术进步至关重要。生成模型为材料设计提供了一个新的范例，通过给定所需的性能约束直接生成新材料，但目前的方法在提出稳定晶体方面成功率低，或者只能满足有限的一组性能约束。基于此，微软人工智能科学研究院Claudio Zeni、Robert Pinsler、Daniel Zügner、Andrew Fowler、Matthew Horton、Ryota Tomioka和Tian Xie等人报道了一个MatterGen模型，可以在元素周期表中生成稳定且多样化的无机材料，并可进一步微调，以引导生成更广泛的属性约束。对比之前的生成式模型，MatterGen生成的结构新颖性和稳定性是原来的2倍以上，并且接近局部能量最小值是原来的10倍以上。经过微调，MatterGen生产出稳定的新型材料，具有理想的化学、对称性、机械、电子和磁性能。作为概念验证，作者合成了一个生成式结构，并测量了其属性值在目标的20%以内。作者认为生成材料的质量和MatterGen能力的广度代表了为材料设计构建基础生成式模型的重大进步。相关工作以《A generative model for inorganic materials design》为题发表在最新一期《Nature》上。MatterGen是一个专门为设计元素周期表上的晶体材料，而设计的扩散模型。扩散模型通过学习分数网络逆转固定的损坏过程来生成样本。通过它的重复单元来定义晶体材料，即它的单元胞，包括原子类型A（即化学元素）、坐标X和周期晶格L。对于每个组件，作者定义了一个考虑其特定几何形状，并具有物理动机限制噪声分布的损坏过程。作者的晶格扩散采用对称形式，并接近一个分布，其平均值是训练数据中具有平均原子密度的立方晶格。作者对1024个生成式结构进行密度泛函理论（DFT）计算发现，78%生成的结构低于MP凸壳的0.1 eV/原子阈值（13%低于0.0 eV/原子），而75%低于AlexMP-ICSD复合壳的0.1 eV/原子阈值（3%低于0.0 eV/原子）。此外，95%的生成结构的RMSD w.r.t.小于0.076 Å，几乎比氢原子的原子半径（0.53 Å）小一个数量级。结果表明，MatterGen生成的大多数结构是稳定的，且非常接近DFT局部能量最小值。当生成1000个结构时，独特结构的比例为100%，生成1000万个结构后，比例降至52%，而生成式结构中有61%是新的，表明MatterGen能在没有明显饱和的情况下产生多种结构，即使在大尺度下，这些结构中的大多数都是新颖的。作者专注于从每种方法生成的1000多个样本中获得的两个平均指标：（1）生成样本中S.U.N.材料的百分比，测量生成有希望的候选样本的成功率；（2）生成样本与与其DFT弛豫结构之间的平均RMSD，测量到平衡的距离。对比最先进的方法CDVAE和DiffCSP，MatterGen-MP生成的S.U.N.结构增加了60%，而生成式结构的平均RMSD降低了50%。作者观察到，即使目标位于数据分布的尾部，MatterGen生成的S.U.N.样本中属性值的分布也向期望目标发生了显著的变化。当数据集没有完全标记时，作者使用机器学习属性预测器预测的标签对MatterGen进行微调（与筛选基线相同）。MatterGen仅使用180次DFT性质计算就能找到18个磁密度高于0.2 Å-3的S.U.N.结构。MatterGen还发现，与筛选组相比，具有高体积模量的S.U.N.材料要更多。A generative model for inorganic materials design. Nature, 2025, https://doi.org/10.1038/s41586-025-08628-5.🏅 我们提供专业的第一性原理、分子动力学、生物模拟、量子化学、机器学习、有限元仿真等代算服务。🎯我们的理论计算服务，累计助力5️⃣0️⃣0️⃣0️⃣0️⃣➕篇科研成果，计算数据已发表在Nature & Science正刊及大子刊、JACS、Angew、PNAS、AM系列等国际顶刊。👏👏👏
