微软MatterGen: AI材料设计突破，精度提升10倍

MatterGen：材料设计的革命性AI模型

微软发布了MatterGen，这是一款专为无机材料创造而设计的突破性大型语言模型。这个创新模型基于扩散模型架构，能够逐步优化原子类型、坐标和周期性晶格，从而快速生成各种新的无机材料。一个典型的例子是其在能源领域的应用，MatterGen可以生成新型锂离子电池正极材料。

通过调整原子类型，引入具有独特电子结构的过渡金属元素，并精确确定它们在晶格中的位置，MatterGen能够开发出具有独特微观结构的晶格，这有可能显著提高电池寿命和性能。

MatterGen增强材料发现

与传统的材料发现方法相比，MatterGen显著提高了生成稳定、独特和新颖材料的比例，超过了两倍。此外，生成的结构大约比它们的密度泛函理论（DFT）局部能量最小值更接近十倍。这使得MatterGen成为电动汽车、航空航天和电子芯片等高科技领域不可或缺的工具。

MatterGen的简化类比：像搭积木一样构建

为了帮助理解这个潜在的复杂概念，想象一下你想建造一栋房子。传统的方法是从现有设计中选择，这些设计可能并不完全符合你的要求。

而MatterGen允许你指定你的确切需求。你可以说，“我想要一个五居室的房子，带一个健身房、一个游戏室、两个小卧室、一个主卧室和一个小花园。我想要一个带有龙和凤凰装饰的中国式建筑。”

本质上，MatterGen通过详细的生成过程分解了无机材料发现的复杂过程。它基于特定要求探索并构建理想的材料组合和结构布局。

• 首先，选择合适的原子类型，就像选择具有不同属性的建筑材料一样。
• 然后，精确确定这些原子在空间中的坐标，类似于精确放置每一块砖。
• 最后，构建一个完美的周期性晶格，创建一个坚固而独特的框架。

AI在材料科学中的力量

AI的快速发展正在重塑各个领域，材料科学也不例外。MatterGen发现新的超导体、提高计算性能，并随后发现更多超导材料的能力，证明了这一点。这是一个AI不断改进和优化一切的自我强化循环。

潜在应用和影响

• 电池技术：MatterGen可能会彻底改变电池添加剂，这是一个备受关注和需求的领域。该模型有潜力帮助生产正极活性材料。
• AGI 影响：该模型的能力表明，它是向通用人工智能（AGI）迈进的一步。
• 全球挑战：这项技术有望应对气候变化等全球挑战。

MatterGen的架构：扩散过程

MatterGen的核心是扩散过程，它受到物理现象的启发，即粒子从高浓度区域移动到低浓度区域，直到达到均匀分布。在材料设计中，这个过程被调整为从完全随机的初始状态生成有序且稳定的晶体结构。

该过程从一个没有任何物理意义的随机初始结构开始。然后，通过一系列迭代步骤，MatterGen减少初始结构中的“噪声”，使其更接近真实的晶体结构。这不是随机的；它受到物理定律和材料科学原理的指导。

在每次迭代中，MatterGen都会优化原子类型、坐标和晶格参数。这些调整基于预定义的、物理驱动的分布，确保模型考虑实际的物理性质，如键长、键角和晶格对称性。

• 坐标扩散尊重晶体的周期性边界，使用包裹的正态分布来调整原子位置，防止原子离开晶体的周期性结构。
• 晶格扩散采用对称形式，其中分布的平均值是立方晶格，平均原子密度来自训练数据，确保生成结构的稳定性和物理相关性。

对等变分数网络的作用

对等变分数网络是MatterGen的另一个重要组成部分。它学习从扩散过程中恢复原始晶体结构。该网络的设计基于对等变性的原则，这意味着系统在某些变换下保留某些属性。对于晶体材料，这意味着材料的性质在旋转和平移过程中保持不变。

该网络输出原子类型、坐标和晶格的对等变分数。这些分数代表当前结构中每个原子和晶格参数的“不匹配”，或它们与理想晶体结构的偏差。通过计算这些分数，网络引导模型调整原子和晶格参数，减少噪声并更接近稳定的晶体结构。

通过适配器模块实现适应性

为了提高灵活性，MatterGen加入了适配器模块，可以针对各种下游任务进行微调。这些模块可以根据给定的属性标签改变模型的输出。

适配器在模型的每一层引入一组额外的参数，这些参数可以根据特定于任务的属性标签进行调整。这些参数在微调过程中进行优化，以确保生成的结构满足特定的任务要求。这种设计不仅增强了适应性，还减少了微调所需的标记数据量。

例如，在设计新的电池材料时，该模型可能会关注电导率和离子扩散率。然而，如果设计催化剂，该模型可能会关注表面活性和选择性。适配器模块使模型能够根据这些不同的需求调整其结构生成策略。

认可与发表

微软已在《自然》杂志上发表了这项研究，受到了领先技术专家的广泛认可。它被比作谷歌的AlphaFold系列，这是一个去年获得诺贝尔化学奖的蛋白质预测模型。