无机材料预测模型MatterGen

casjxm

MatterGen是一种基于扩散模型（diffusion model）的生成式人工智能框架，专为无机材料设计而开发。其核心目标是直接生成稳定、新颖且满足多维度属性约束（如化学组成、对称性、电磁/机械性能）的晶体材料，突破传统筛选方法在探索新结构上的局限性。

​技术原理与创新

​

1. ​三重扩散机制​

MatterGen通过联合扩散过程同步生成晶体结构的三个核心组件：

• ​原子类型（A）​​：采用分类空间扩散，原子逐渐被掩蔽。
• ​原子坐标（X）​​：引入周期性边界条件，使用包裹正态分布（wrapped Normal     distribution）模拟分数坐标。
• ​晶格（L）​​：对称形式的扩散过程，收敛至训练数据的平均原子密度分布。
  

2. ​等变分数网络（Equivariant Score Network）​​

• 预训练于60万+稳定结构数据集（Alex-MP-20），联合去噪原子类型、坐标和晶格。
• 输出满足晶体对称性的不变量（原子类型）和等变量（坐标/晶格）分数。
  

3. ​适配器模块（Adapter Modules）​​

• 通过微调适配器注入属性约束（如磁性、带隙、力学性能），实现条件生成。
• 支持少样本微调（如仅5,000样本优化体模量），结合分类器无关引导（classifier-free     guidance）精准控制目标属性。
  

​

性能优势​

1. ​稳定性与新颖性​

• ​78%生成结构的能量低于凸包0.1 eV/atom（MP数据集基准），​95%结构的弛豫RMSD < 0.076 Å（接近DFT局部极小值）。
• 生成新颖性：61%结构在扩展数据集（Alex-MP-ICSD, 85万+结构）中未出现，且成功复现2,000+实验验证的ICSD结构。
  

2. ​超越基线模型​

• SUN材料生成率是CDVAE、DiffCSP等模型的2倍以上。
• 结构弛豫距离（RMSD）缩短至基线模型的1/10​。
  

​

多目标逆设计能力​

1. ​化学系统探索​

• 在目标化学系统（如V-Sr-O）中，发现新凸包结构数量超越随机结构搜索（RSS）和取代法​（图3e）。
• 示例：生成Sr₂VO₄、Sr₃(VO₄)₂等稳定结构。
  

2. ​属性约束生成​

• ​磁性密度（>0.2 Å⁻³）​​：生成材料密度分布显著偏向目标值。
• ​带隙（3.0 eV）与体模量（400 GPa）​​：在稀缺标签数据下仍精准命中目标。
• ​低供应链风险磁体​：联合优化磁性密度与HHI指数（<1,250），避免Co/Gd等稀缺元素。
  

3. ​多属性联合优化​

• 同步满足高磁性密度（0.2 Å⁻³）与低HHI指数，生成结构帕累托前沿。
  

​

实验验证​

• 合成案例：生成结构TaCr₂O₆（目标体模量200     GPa），DFT预测值222 GPa，实验测量值158±11 GPa（误差<20%）。
• 验证方法：X射线衍射与Rietveld精修确认结构。
  

​

意义与展望​

MatterGen通过融合物理驱动的扩散过程与可微调属性约束，首次实现跨元素周期表的通用材料生成框架。未来可扩展至催化剂表面、金属有机框架（MOFs）等材料体系，推动能源存储、碳捕获等领域的革新。

引用：Zeni, C. et al. A generative model for inorganic materials design. Nature https://doi.org/10.1038/s41586-025-08628-5 (2025)