微软首席执行官Satya Nadella在推特上公开了一项名为MatterGen生成式人工智能模型，该模型专注于新无机材料的设计，微软已在《Nature》期刊发布相关研究。MatterGen能生成具有目标化学性质、机械、电子或磁性等多种约束的材料，并解决传统方法在材料稳定性和多样性上的不足。此项技术被视为推动材料科学进一步发展的重要里程碑。
传统的材料设计往往依赖大量的试错实验，或计算筛选既有材料数据库，但这些方法需要筛选数百万个候选材料才能找到满足需求的少数材料。MatterGen则提供了一种全新的解决方案，通过生成式人工智能直接生成满足设计需求的新材料。
MatterGen采用专为无机材料设计的扩散模型架构，能处理材料的周期性与三维几何结构，模仿形象生成模型消除噪声的过程，从随机结构中逐步生成稳定且符合特定要求的材料。该模型基于60万笔稳定材料数据进行训练，数据来自Materials Project与Alexandria等权威数据库，其生成性能在稳定性、新颖性与多样性方面均超越现有方法。
MatterGen的核心在于依据材料设计需求进行条件式生成。该模型能针对化学组成进行定向生成，例如指定元素或化学结构来生成特定材料，并可调整晶体的对称性以满足应用需求。此外，MatterGen还能针对机械、电子或磁性等物理性质进行优化，支持多重约束条件的材料设计。
相较于传统筛选方法，MatterGen突破既有材料数据库的限制。研究人员举例，在寻找高模量大于400 GPa材料时，传统筛选方法通常在筛选约40个候选材料后达到性能瓶颈，而MatterGen则能持续生成新颖且稳定的候选材料，生成数量是传统方法的两倍以上。此外，MatterGen引入了一种全新的结构比对算法，能处理具有组成无序特性的材料，重新定义新颖性与独特性的标准，进一步提升生成结果的实用价值与科学意义。
微软MatterGen研究团队与中国深圳先进技术研究院合作，成功合成了新材料TaCr₂O₆。该材料在设计时设置模量目标为200 GPa，实验测得模量为169 GPa，误差低于20%，展现了模型生成结果的高精准度与可行性。这一技术有望广泛应用于电池、磁性材料等领域，例如MatterGen能加速设计高效太阳能电池材料、成本更低的储能电池，以及更具选择性的二氧化碳吸附剂，为应对能源与环境挑战提供新的解决方案。
