微軟發布了專用于無機材料設計的創新大模型——MatterGen。

　　MatterGen的基礎架構是基于擴散模型，能逐步優化原子類型、坐標及周期晶格，從而快速生成不同類型的新型無機材料。例如，在能源領域，MatterGen可以生成一種全新的鋰離子電池正極材料。

　　通過對原子類型的調整，引入一些具有特殊電子結構的過渡金屬元素，并精確確定其在晶格中的位置坐標，可開發出獨特微觀結構的晶體晶格，延續電池的續航能力與壽命。

　　相比傳統的發現方法，MatterGen能將生成穩定、獨特且新穎材料的比例提高2倍以上，并使生成結構距離其DFT局部能量最小值近10倍之多。所以，MatterGen對于電動車、航空航天、電子芯片等高科技領域幫助巨大。

　　可能很多小伙伴對這個新領域有點懵，那咱就來個簡單通俗易懂的解釋。假如你想要建造一座房子，傳統的方法就像是從現有的房子設計圖中挑選，可能還不太符合我們的特殊需求。

　　現在用MatterGen來蓋房子，你可以直接說你想要一個五室一廳，需要一個健身房，一個電競房，兩個小臥室，一個主臥室，最好房子外面再來一個小花園。整體房子架構選用中式風格，墻壁上最好加點龍啊~鳳啊什么的修飾一下。

　　這也就是說，MatterGen通過擴散過程將復雜的無機材料發現，進行了更細化的分解生成。能根據我們給出的這些具體要求，逐步去探索和構建最合適的材料組合與結構布局。

　　先從原子類型入手，就像挑選不同質地和特性的建筑材料;再精心確定這些原子在空間中的坐標位置，精準放置每一塊磚石;最后構建出完美的周期晶格，搭建起穩固而獨特的房屋框架。

　　其實很多網友看完這個也懵，請把我當成5歲小孩那樣，解釋一下這個技術吧~

　　我知道AI正在改變一切，最終也會發生。但沒想到來的這么快。

　　看看它發現了一些驚人的超導體，提高了計算性能，進而增強了它發現更多超導材料的能力，又進一步提升了計算能力，如此反復……你懂的。想象一下，AI正在優化一切。關鍵的臨界質量已經達成。

　　在電池單元添加劑方面可能會出現一場革命，這些添加劑近年來在該領域中一直被討論并需求。根據微軟提供的圖像，它看起來像是一個也可以幫助生產正極活性材料的模型。

　　感謝這個模型已經實現AGI了。

　　是時候讓AI來解決全球變暖問題了。

　　這個相當于材料界的AlphaFold模型吧?

　　MatterGen架構介紹

　　在MatterGen模型中，擴散過程是生成晶體結構的核心機制。這一過程的靈感來源于物理學中的擴散現象，其中粒子從高濃度區域向低濃度區域移動，直到達到均勻分布。在材料設計的背景下，擴散過程被巧妙地改編為從一個完全隨機的初始狀態生成一個有序的、穩定的晶體結構。

　　擴散過程開始于一個隨機的初始結構，這個結構沒有任何物理意義，僅僅是原子在空間中的隨機分布。接著，MatterGen通過一系列迭代步驟，逐步減少這個初始結構中的“噪聲”，使其逐漸接近一個真實的晶體結構。這個過程不是簡單的隨機變化，而是受到物理定律和材料科學原理的嚴格指導。

　　在每一步迭代中，MatterGen都會對原子的類型、坐標和晶格參數進行微調。這些微調是基于一個預定義的物理動機分布進行的，這意味著模型在調整原子位置和類型時，會考慮到晶體材料的實際物理特性，如原子間的鍵長、鍵角以及晶格的對稱性。

　　例如，坐標擴散會尊重晶體的周期邊界，通過一個包裹正態分布來調整原子的位置，確保原子不會離開晶體的周期性結構。晶格擴散則采用對稱形式，其分布的均值是一個立方晶格，平均原子密度來自訓練數據，這樣可以確保生成的晶格結構既穩定又具有物理意義。

　　等變分數網絡是MatterGen模型中的另一個關鍵組件，負責學習如何從擴散過程中恢復出原始的晶體結構。這個網絡的設計基于一個重要的物理原理—等變性。

　　等變性是指一個系統在某些變換下保持某些性質不變的特性。在晶體材料中，這意味著材料的性質在旋轉、平移等操作下保持不變。

　　等變分數網絡通過學習數據中的模式，能夠輸出原子類型、坐標和晶格的等變分數。這些分數代表了每個原子和晶格參數在當前結構中的“不適配度”，即它們與理想晶體結構的偏差。

　　網絡通過計算這些分數，指導模型如何調整原子和晶格參數，以減少結構中的噪聲，使其更接近一個穩定的晶體結構，也是MatterGen能提升準確、理想率的重要原因之一。

　　為了增加模型的靈活性，MatterGen加入了適配器模塊能夠針對不同的下游任務進行微調，可以根據給定的性質標簽改變模型的輸出。(就是我們那個案例說的量身定制功能)

　　適配器在模型的每一層中都引入了一個額外的參數集，這些參數可以根據任務特定的性質標簽進行調整。在微調過程中，這些參數會被優化，以使模型生成的結構更好地滿足特定任務的要求。這種設計不僅提高了模型的適應性，還減少了微調所需的標記數據量，因為模型不需要從頭學習每個任務的特性，而是可以在預訓練的基礎上進行調整。

　　例如，在設計一種新型的電池材料時，可能需要模型關注材料的電導率和離子擴散率;而在設計一種新型的催化劑時，則可能需要模型關注材料的表面活性和選擇性。適配器模塊使得模型能夠根據這些不同的需求，調整其生成結構的策略。

　　目前，微軟已經把該研究發布在了《Nature》上，并且得到了眾多科技大咖的認可。可以比肩谷歌在去年獲得諾貝爾化學獎的蛋白質預測模型AlphaFold系列。