微軟透過MatterGen推進材料發現

發現新材料是解決人類面臨的一些重大挑戰的關鍵。然而，微軟指出，傳統的材料發現方法就像是在「大海撈針」。

歷史上，尋找新材料依賴繁瑣且費用高昂的試錯實驗。最近，計算篩選龐大的材料數據庫幫助加速這個過程，但仍然需要耗費大量時間。

現在，微軟推出了一款強大的新型生成式人工智慧工具，名為MatterGen，這個工具不同於傳統的篩選方法，而是根據設計需求直接工程化新材料，提供了一種可能改變遊戲規則的材料發現方法。

在《自然》期刊上發表的論文中，微軟將MatterGen描述為一種擴散模型，能在材料的三維幾何結構中運作。與圖像擴散模型通過調整像素顏色生成圖像不同，MatterGen通過改變元素、位置和周期性晶格來生成材料結構。這種特殊的架構專門設計來處理材料科學的獨特需求，如周期性和三維排列。

微軟解釋道：「MatterGen使生成式AI輔助的材料設計成為可能，能高效探索材料，超越已知材料有限的範疇。」

超越篩選的飛躍

傳統的計算方法涉及篩選大量潛在材料的數據庫，以找出具有所需特性的候選材料。然而，即使這些方法在探索未知材料的能力上也有限，研究人員需要在數百萬個選項中篩選，才能找到有前景的候選者。

相比之下，MatterGen從零開始—根據特定的化學、機械特性、電子特性、磁性行為或這些限制的組合生成材料。這個模型是基於超過608,000種穩定材料進行訓練的，這些材料來自Materials Project和Alexandria數據庫。

在下面的比較中，MatterGen在生成具有特定特性的創新材料方面顯著超越了傳統篩選方法—特別是生成了壓縮模量超過400 GPa的材料，這意味著它們不易被壓縮。

隨著已知候選者的池子耗盡，篩選的效益逐漸下降，而MatterGen則持續生成越來越新的結果。

在材料合成過程中，常見的挑戰之一是組成無序—即原子在晶格中隨機交換位置的現象。傳統算法在判斷什麼算是「真正新穎」的材料時，通常無法區分相似的結構。

為了解決這個問題，微軟設計了一種新的結構匹配算法，將組成無序納入評估。這個工具能夠識別兩個結構是否只是同一底層無序結構的有序近似，從而提供更穩健的新穎性定義。

證明MatterGen在材料發現中的有效性

為了證明MatterGen的潛力，微軟與深圳先進技術研究院（SIAT）—中國科學院的一部分—的研究人員合作，實驗合成了一種由AI設計的新材料。

這種材料是TaCr₂O₆，由MatterGen生成，目標壓縮模量為200 GPa。雖然實驗結果略低於目標，測得的模量為169 GPa，但相對誤差僅為20%—從實驗的角度來看，這是小的差異。

有趣的是，最終的材料在Ta和Cr原子之間顯示出組成無序，但其結構與模型的預測非常接近。如果這種預測準確性能轉化到其他領域，MatterGen可能會對電池、燃料電池、磁鐵等材料設計產生深遠的影響。

微軟將MatterGen定位為其之前的AI模型MatterSim的補充工具，後者能加速材料性質的模擬。這兩個工具可以作為技術的「飛輪」，增強新材料的探索和性質的模擬，形成反覆迭代的循環。

這種方法與微軟所稱的「科學發現的第五範式」相符，在這種範式中，AI不再僅僅是識別模式，而是主動引導實驗和模擬。

微軟已經在MIT許可下發布了MatterGen的源代碼。除了代碼外，團隊還提供了模型的訓練和微調數據集，以支持進一步的研究，並鼓勵更廣泛地採用這項技術。

回顧生成式AI更廣泛的科學潛力，微軟將其與藥物發現相提並論，類似的工具已經開始改變研究人員設計和開發藥物的方式。同樣，MatterGen也可能改變我們對材料設計的方式，尤其是在可再生能源、電子產品和航空航天工程等關鍵領域。

(圖片來源：微軟)

想了解更多關於AI和大數據的行業領導者的資訊嗎？請查看即將在阿姆斯特丹、加利福尼亞和倫敦舉行的AI & Big Data Expo。這是一個綜合性活動，並與其他領先活動如智能自動化會議、BlockX、數字轉型周和網絡安全與雲展會共同舉辦。

在這裡探索更多即將舉行的企業技術活動和網絡研討會，這些活動由TechForge提供支持。