发现新材料是解决人类面临的一些最大挑战的关键。然而，正如微软公司所强调的那样，发现新材料的传统方法给人的感觉就像 “大海捞针”。
从历史上看，发现新材料依赖于费力且成本高昂的试错实验。最近，对庞大的材料数据库进行计算筛选有助于加快这一过程，但这仍然是一个时间密集型过程。
现在，微软公司新推出的一款强大的生成式人工智能工具可以大大加快这一过程。该工具被称为 “MatterGen”，它摒弃了传统的筛选方法，而是根据设计要求直接设计新型材料，为材料发现提供了一种可能改变游戏规则的方法。
微软在《自然》（Nature）杂志上发表的一篇论文中将MatterGen描述为一种在材料的三维几何形状中运行的扩散模型。图像扩散模型可能通过调整像素颜色根据文本提示生成图像，而MatterGen则通过改变随机结构中的元素、位置和周期晶格生成材料结构。这种定制架构专为处理材料科学的独特需求而设计，例如周期性和三维排列。
“微软公司解释说："MatterGen 实现了一种新的生成式人工智能辅助材料设计模式，可以超越有限的已知材料，对材料进行高效探索。
传统的计算方法需要对庞大的潜在材料数据库进行筛选，以确定具有所需特性的候选材料。然而，即使是这些方法，在探索未知材料领域的能力也是有限的，研究人员需要在数百万个选项中进行筛选，才能找到有前途的候选材料。
相比之下，MatterGen 从零开始，根据有关化学、机械属性、电子特性、磁性或这些约束条件组合的具体提示生成材料。该模型使用从材料项目和亚历山大数据库中汇编的 608,000 多种稳定材料进行训练。
在下面的比较中，MatterGen 在生成具有特定属性的新型材料方面明显优于传统筛选方法，特别是体积模量大于 400 GPa，这意味着它们很难压缩。
随着时间的推移，已知候选材料库逐渐枯竭，筛选法的收益也随之递减，而 MatterGen 则不断产生出越来越新颖的结果。
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。传统算法在决定什么是 “真正新颖 ”的材料时，往往无法区分类似的结构。
为了解决这个问题，微软设计了一种新的结构匹配算法，将成分无序纳入评估。该工具可识别两种结构是否只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。
