微軟MatterGen模型突破材料設計限制，生成穩定且多樣的創新無機材料

微軟執行長Satya Nadella在推特上公開了一項名為MatterGen生成式人工智慧模型，該模型專注於新無機材料的設計，微軟已在《Nature》期刊發表相關研究。MatterGen能生成具有目標化學性質、機械、電子或磁性等多種約束的材料，並解決傳統方法在材料穩定性和多樣性上的不足。此項技術被視為推動材料科學進一步發展的重要里程碑。

傳統的材料設計往往仰賴大量的試錯實驗，或計算篩選既有材料資料庫，但這些方法需要篩選數百萬個候選材料才能找到滿足需求的少數材料。MatterGen則提供了一種全新的解決方案，透過生成式人工智慧直接生成滿足設計需求的新材料。

MatterGen採用專為無機材料設計的擴散模型架構，能處理材料的周期性與三維幾何結構，模仿影像生成模型消除雜訊的過程，從隨機結構中逐步生成穩定且符合特定要求的材料。該模型基於60萬筆穩定材料資料進行訓練，資料來自Materials Project與Alexandria等權威資料庫，其生成性能在穩定性、新穎性與多樣性方面均超越現有方法。

MatterGen的核心在於依據材料設計需求進行條件式生成。該模型能針對化學組成進行定向生成，例如指定元素或化學結構來生成特定材料，並可調整晶體的對稱性以滿足應用需求。此外，MatterGen還能針對機械、電子或磁性等物理性質進行優化，支援多重約束條件的材料設計。

相較於傳統篩選方法，MatterGen突破既有材料資料庫的限制。研究人員舉例，在尋找高模量大於400 GPa材料時，傳統篩選方法通常在篩選約40個候選材料後達到性能瓶頸，而MatterGen則能持續生成新穎且穩定的候選材料，生成數量是傳統方法的兩倍以上。此外，MatterGen引入了一種全新的結構比對演算法，能處理具有組成無序特性的材料，重新定義新穎性與獨特性的標準，進一步提升生成結果的實用價值與科學意義。

微軟MatterGen研究團隊與中國深圳先進技術研究院合作，成功合成了新材料TaCr₂O₆。該材料在設計時設定模量目標為200 GPa，實驗測得模量為169 GPa，誤差低於20％，展現了模型生成結果的高精準度與可行性。這一技術有望廣泛應用於電池、磁性材料等領域，例如MatterGen能加速設計高效太陽能電池材料、成本更低的儲能電池，以及更具選擇性的二氧化碳吸附劑，為應對能源與環境挑戰提供新的解決方案。