微軟突破性材料設計 AI 模型 MatterGen 提升 10 倍準確度

MatterGen：材料設計的革命性 AI 模型

微軟推出了一款名為 MatterGen 的突破性大型語言模型，專為創造無機材料而設計。這個創新的模型基於擴散模型架構，能夠逐步優化原子類型、座標以及週期性晶格。這使得它能夠快速生成多樣化的新型無機材料。一個主要的應用範例是在能源領域，MatterGen 可以產生新型的鋰離子電池正極材料。

透過調整原子類型、引入具有獨特電子結構的過渡金屬元素，並精確地決定它們在晶格中的位置，MatterGen 能夠開發出具有獨特微觀結構的晶格。這有潛力顯著改善電池的壽命和性能。

相較於傳統的材料探索方法，MatterGen 生成的穩定、獨特和新型材料的比例顯著提高了兩倍以上。此外，生成的結構更接近其密度泛函理論 (DFT) 局部能量最小值約十倍。這使得 MatterGen 成為電動汽車、航空航天和電子晶片等高科技產業的寶貴工具。

為了幫助理解這個可能複雜的概念，想像一下您想建造一棟房子。傳統的方法是從現有的設計中選擇，這些設計可能無法完全符合您的需求。

而 MatterGen 允許您指定確切的需求。您可以說：「我想要一間有五間臥室的房子，配備健身房、遊戲室、兩間小臥室、一間主臥室和一個小花園。我想要具有龍和鳳裝飾的中式建築。」

本質上，MatterGen 通過詳細的生成過程分解了無機材料發現的複雜過程。它根據特定要求探索並構建理想的材料組合和結構佈局。

AI 的快速發展正在重塑各個領域，材料科學也不例外。MatterGen 發現新超導體、提升計算性能，並進一步發現更多超導材料的能力，證明了這一點。這是一個自我強化的循環，AI 不斷地完善和優化一切。

MatterGen 的核心是擴散過程，其靈感來自物理現象，即粒子從高濃度區域移動到低濃度區域，直到達到均勻分佈。在材料設計中，此過程適用於從完全隨機的初始狀態生成有序且穩定的晶體結構。

該過程從一個沒有任何物理意義的隨機初始結構開始。然後，通過一系列迭代步驟，MatterGen 減少了初始結構中的「雜訊」，使其更接近真實的晶體結構。這不是隨機的；它受到物理定律和材料科學原理的指導。

在每次迭代中，MatterGen 都會完善原子類型、座標和晶格參數。這些調整基於預定義的、具有物理動機的分佈，確保模型考慮實際的物理特性，如鍵長、鍵角和晶格對稱性。

座標擴散尊重晶體的週期性邊界，使用包裹的正態分佈來調整原子位置，防止原子離開晶體的週期性結構。

晶格擴散採用對稱形式，其中分佈的平均值是立方晶格，平均原子密度來自訓練數據，確保生成結構的穩定性和物理相關性。

等變分數網絡是 MatterGen 中的另一個重要組成部分。它學習從擴散過程中恢復原始晶體結構。此網絡的設計基於等變性原理，這意味著系統在某些轉換下保留某些屬性。對於晶體材料，這意味著材料的屬性在旋轉和平移過程中保持不變。

該網絡輸出原子類型、座標和晶格的等變分數。這些分數表示每個原子和晶格參數在當前結構中的「不匹配」，或它們與理想晶體結構的偏差。通過計算這些分數，網絡引導模型調整原子和晶格參數，減少雜訊並更接近穩定的晶體結構。

為了提高靈活性，MatterGen 結合了適配器模組，可以針對各種下游任務進行微調。這些模組可以根據給定的屬性標籤更改模型的輸出。

適配器在模型的每一層引入一組額外的參數，這些參數可根據特定任務的屬性標籤進行調整。這些參數在微調期間進行優化，以確保生成的結構滿足特定任務的要求。這種設計不僅增強了適應性，還減少了微調所需的標記數據量。

例如，在設計新的電池材料時，該模型可能會專注於導電性和離子擴散速率。但是，如果設計催化劑，該模型可能會專注於表面活性和選擇性。適配器模組使模型能夠根據這些不同的需求調整其結構生成策略。

微軟已在《自然》雜誌上發表了這項研究，並獲得了領先技術專家的廣泛認可。它被比作 Google 的 AlphaFold 系列，這是一個去年獲得諾貝爾化學獎的蛋白質預測模型。