广东
材料创新是推动重大技术突破的关键因素之一。1980年代锂钴氧化物的发现为今天的锂离子电池技术奠定了基础。如今，它为现代手机和电动汽车提供动力，影响着数十亿人的日常生活。为某一特定应用寻找新材料，就像在一堆稻草堆里找针一样。历史上，这一任务通常通过昂贵且耗时的实验性反复试验来完成。近年来，通过计算筛选大规模材料数据库，研究人员加快了这一过程。然而，找到具有所需特性的少数材料仍然需要筛选数百万个候选材料。
微软开源了MatterGen生成模型，从不同的角度解决材料发现问题。它不是通过筛选候选材料，而是直接根据应用的设计需求生成新材料。它能够生成具有所需化学、机械、电子或磁性特性的材料，甚至可以同时满足不同的约束条件。MatterGen使得生成性人工智能辅助的材料设计成为可能，开启了一个新的范式，能够高效地探索材料，超越了已知材料的有限范围。（链接在文章底部）
01 技术原理
(a) MatterGen通过反向腐化过程生成稳定材料，方法是通过迭代去噪初始的随机结构。正向扩散过程的设计是独立地腐化原子类型A、坐标X和晶格L，从而接近一个物理上合理的随机材料分布。
(b) 一个等变评分网络在一个包含大量稳定材料结构的数据集上进行预训练，以联合去噪原子类型、坐标和晶格。然后，评分网络通过适配模块在带标签的数据集上进行微调，适配模块通过编码的属性c来调整模型。
(c) MatterGen可以通过微调来引导生成具有所需化学、对称性和标量属性约束的材料。
生成稳定、独特和新颖的无机材料：可视化通过MatterGen生成的四个随机选取的晶体，并显示相应的化学式和空间群符号。
在目标化学系统中生成材料：MatterGen在V-Sr-O凸包上发现的五个结构中的四个，展示了它们的组成和空间群。
生成具有目标对称性的材料：通过MatterGen生成的四个随机选取的S.U.N.结构，以及它们的化学式和空间群。
生成具有目标磁性、电子性和机械性能的材料：可视化显示通过MatterGen生成的具有最佳属性值的S.U.N.结构，分别为磁性密度(d)、带隙(e)和体积模量(f)。每个结构旁边显示其化学式、空间群和属性值。
https://github.com/microsoft/mattergen
https://arxiv.org/pdf/2312.03687欢迎交流～，带你学习AI，了解AI
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
