近日，Nature在线发表了微软研究院科学智能中心（Microsoft Research AI for Science）Tian Xie和Ryota Tomioka课题组的研究论文，题目为「A generative model for inorganic materials design」，论文的第一作者为Claudio Zeni、Robert Pinsler、Daniel Zügner、Andrew Fowler、Matthew Horton、Ryota Tomioka和Tian Xie。

一般来说，发现更好材料的速度对碳捕获、半导体设计和储能等领域的技术创新速度有重大影响。传统上，大多数材料都是通过实验和人类直觉发现的，这限制了可以测试候选材料的数量，并导致了漫长的迭代周期。得益于高通量筛选、开放材料数据库、基于机器学习的属性预测器和机器学习力场（MLFFs）的进步，筛选数十万种材料以确定有前景的候选材料已成为可能。然而，基于筛选的方法仍然从根本上受到已知材料数量的限制。对以前未知晶体材料的最大探索约为106–107种材料，这只是潜在稳定无机化合物数量的一小部分。此外，这些方法不能有效地用于寻找具有目标特性的材料。

鉴于这些局限性，人们对材料的逆向设计非常感兴趣。逆向设计的目的是直接生成满足目标属性约束的材料结构，例如通过生成模型、进化算法和强化学习。生成模型很有前景，因为它们可以有效地探索新结构，并灵活地适应不同的下游任务。然而，根据密度泛函理论（DFT）计算，目前的生成模型通常无法生成稳定的材料，受限于元素的狭窄子集，并且只能优化非常有限的一组属性，主要是形成能。

在此研究中，作者提出了MatterGen，这是一种在元素周期表中生成稳定、多样化无机材料的模型，可以进一步微调以引导生成更广泛的属性约束。与之前的生成模型相比，MatterGen生成的结构新颖且稳定的可能性是原来的两倍多，接近局域能量最小值是原来的10倍多。经过微调，MatterGen成功生成了具有所需化学、对称性、机械、电子和磁性的稳定新型材料。作为概念验证，实验合成一个生成的结构，并测量其属性值在目标的20%以内。这项研究表明生成材料的质量和MatterGen能力的广度代表了为材料设计创建基础生成模型的重大进步。

图1 | 使用MatterGen进行无机材料设计。

图2 | 生成稳定、独特且新颖的无机材料。

图3 | 在目标化学体系中生成材料。

图4 | 设计具有目标磁性、电子和机械性能的材料。

图5 | 设计低供应链风险的磁体。

图6 | 生成结构的实验验证。

论文链接：

Zeni, C., Pinsler, R., Zügner, D. et al. A generative model for inorganic materials design. Nature, 2025. https://doi.org/10.1038/s41586-025-08628-5

代码链接：

https://github.com/microsoft/mattergen

--科研任我行