發現新材料對於解決人類面臨的一些重大挑戰非常重要。然而，根據微軟的說法，傳統的材料發現方法就像是在“乾草堆裡找針”一樣困難。
過去，尋找新材料依賴繁瑣且昂貴的試驗和錯誤實驗。最近，通過計算篩選大量材料數據庫，這一過程有所加快，但仍然需要耗費大量時間。
如今，微軟推出了一個強大的新型生成式人工智慧工具，名為MatterGen，這個工具擺脫了傳統篩選方法，直接根據設計要求來創建新型材料，提供了一種潛在的改變遊戲規則的材料發現方法。
根據發表在《自然》期刊上的論文，微軟將MatterGen描述為一種在材料的三維幾何結構中運作的擴散模型。與圖片擴散模型通過調整像素顏色來生成圖像不同，MatterGen通過改變元素、位置和隨機結構中的周期性晶格來生成材料結構。這種專門設計的架構旨在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使生成式人工智慧輔助的材料設計進入了一個新的範疇，能夠高效探索材料，超越已知材料的有限範圍。”
超越篩選的飛躍
傳統的計算方法需要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，即使這些方法也無法充分探索未知材料的宇宙，研究人員需要在數百萬個選項中篩選，才能找到有希望的候選者。
相對而言，MatterGen從零開始，根據關於化學、機械特性、電子屬性、磁性行為或這些限制的組合的具體提示來生成材料。這個模型使用來自Materials Project和Alexandria數據庫的608,000多種穩定材料進行訓練。
在下面的比較中，MatterGen在生成具有特定屬性的新材料方面顯著優於傳統的篩選方法，特別是生成的材料的體積模數超過400 GPa，這意味著它們不容易被壓縮。
雖然隨著已知候選者的耗盡，篩選的回報隨時間減少，但MatterGen仍持續生成越來越新穎的結果。
材料合成中常見的一個挑戰是組成無序，這是指原子在晶格中隨機交換位置的現象。傳統算法在決定什麼算作“真正的新材料”時，經常無法區分相似結構。
為了解決這個問題，微軟設計了一種新型結構匹配算法，將組成無序納入其評估中。這個工具能夠識別兩個結構是否僅僅是相同基礎無序結構的有序近似，從而實現更強健的新穎性定義。
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）合作，這是中國科學院的一部分，實驗合成了一種由人工智慧設計的新材料。
這種材料名為TaCr₂O₆，是由MatterGen生成的，目標是達到200 GPa的體積模數。雖然實驗結果稍微低於目標，測得的模數為169 GPa，但相對誤差僅為20%，從實驗的角度來看是小的差異。
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。如果這種預測的準確性能夠轉化到其他領域，MatterGen可能對電池、燃料電池、磁鐵等材料設計產生深遠影響。
微軟將MatterGen定位為其先前AI模型MatterSim的補充工具，MatterSim加速材料屬性的模擬。這兩個工具可以作為技術的“飛輪”，增強新材料的探索和其屬性的模擬，形成迭代循環。
這種方法與微軟所謂的“科學發現的第五範式”相一致，這種範式中，人工智慧不僅限於模式識別，而是主動引導實驗和模擬。
微軟已經根據MIT授權發布了MatterGen的源代碼。除了代碼，團隊還提供了模型的訓練和微調數據集，以支持進一步研究並鼓勵這項技術的廣泛應用。
微軟反思生成式人工智慧的更廣泛科學潛力，將其與藥物發現進行對比，這些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也可能重塑我們對材料設計的看法，特別是在可再生能源、電子設備和航空航天工程等關鍵領域。
(圖片來源：微軟)
還想了解人工智慧和大數據的更多信息嗎？請查看即將在阿姆斯特丹、加州和倫敦舉行的AI與大數據博覽會。這個綜合活動與其他領先的活動同時舉行，包括智能自動化會議、BlockX、數字轉型周和網絡安全與雲博覽會。
探索其他即將舉行的企業技術活動和由TechForge提供的網絡研討會。
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
