AI助力新材料设计：从实验室到真实世界的稳定性突破

长期以来，生成百万种新材料设计对于足够大的人工智能模型而言只需几分钟，但这并未带来实际应用材料数量的大幅增长。究其原因，现有模型在生成材料时往往无法可靠地评估化学稳定性，而不稳定的材料在现实中几乎没有实用价值。这迫使各行业投入大量算力来筛除不稳定材料，有时最终可用的材料只占极小比例。

麻省理工学院（MIT）的研究人员近期开发了一套框架，可在材料生成流程的前端介入，在大幅提升稳定率的同时实现目标材料属性。其核心思路是：在昂贵的生成步骤开始之前，确保每个设计都满足与原子周围电子相关的若干化学基本规则。研究团队将这一方法命名为"带价键约束设计的晶体生成器"，英文缩写为CrysVCD。

相关论文已于近日发表在《自然·计算科学》上。研究人员展示了CrysVCD如何帮助多个常用材料模型更频繁地满足价壳层规则，并在近70%的计算材料生成中实现了高晶格动力学稳定性——这是一项严格的稳定性测试。研究还表明，该方法可支持具有特定所需属性的材料创建，例如高导热系数或高介电常数，这对计算机芯片和数据中心尤为重要。

研究人员对这套系统应用场景的设想，在其命名中便有所体现。

"如果材料生成模型是DVD，我们就是DVD播放机，"MIT核科学与工程系副教授李明达说，"你可以将其接入任何类型的模型，不仅限于现有的扩散模型，也包括未来那些无法生成足够稳定材料的模型，它都能提升稳定性。"

论文合著者还包括：MIT材料科学与工程系博士生程谋洋（SM '26）、化学系博士生罗威良；材料科学与工程系近届博士毕业生唐昊（PhD '26）；物理系高年级本科生余博文；橡树岭国家实验室研究员程永强；密歇根州立大学副教授谢威威；MIT动力工程Carl Richard Soderberg讲席教授李巨；以及MIT化学工程Lammot du Pont讲席教授Heather Kulik。

高效的材料设计

基于计算的材料设计方法已发展数十年，而近年来人工智能的突破进一步激发了业界对其潜力的热情。尤其引人关注的是，一类模型能够从期望的材料属性出发，反向推导出能够实现该目标的材料。

其中一些模型采用扩散这一AI技术（该技术也常用于图像生成），另一些则使用类似ChatGPT和Claude背后的大语言模型，但两种方式都难以确保生成的材料具备化学稳定性，或遵循化学物质相互作用和行为的基本原理。

过去的解决方案是在生成流程之后叠加一层计算，用于过滤不稳定材料。

"生成材料结构已经变得相对容易，"程谋洋说，"但验证环节，尤其是稳定性测试部分，需要消耗巨大的算力。它大约占据创建可用材料整体算力的90%，有时需要数周乃至数月。"

拥有庞大算力预算的大型企业尚可承担这一流程，但许多小公司和研究实验室无力为继，这可能在一定程度上制约了该领域的创新。

"在资源相对有限的学术界，我认为通过更智能的设计和其他方法，同样可以取得出色的成果，"Kulik解释道，"先生成模型再筛选稳定性的方式效率低下，算力成本高昂。但如果在流程起点引入一个大语言模型来约束生成过程，就能显著提升稳定材料的生成比例。"

此次研究涉及MIT材料科学与工程、化学、化学工程、物理以及核科学与工程等多个系科的研究人员，他们共同将AI扩散模型与大语言模型相结合。在流程的第一阶段，大语言模型生成化学上有效的分子式；第二阶段，扩散模型利用该分子式，结合底层材料生成模型，生成对应的晶体材料原子结构。

"典型材料生成的扩散过程较为缓慢——可以理解为需要1000步才能生成一种材料，"罗威良说。

"相比之下，当我们的模型在前端介入时，可以理解为只需5步。它能让你提前筛除不稳定材料，生成更高质量的材料。而且可以与任何材料生成模型配合使用，"唐昊补充道。

研究人员表明，与依赖后置筛选的方案相比，该方法生成稳定材料的效率提高了一个数量级。经稳定性指标微调后，其方法生成的晶体材料达到了68%的力学稳定性和85%的亚稳态性——后者衡量的是材料在不受干扰时能否保持稳定状态。

研究人员随后利用该方法，生成了具有高导热系数和在电场中易极化特性的候选材料。

"这些材料对半导体行业以及数据中心散热具有重要价值，"李巨说，"原则上，该方法也可用于创造其他属性的材料，但导热材料在数据中心散热领域已变得尤为关键。该行业的能耗大幅增加，其中30%用于冷却。行业亟需高导热材料，以更高效地散热。"

让材料设计走向普惠

这一新方法并非适用于所有材料类型——它最擅长处理内部排列高度有序的固体结构。尽管如此，该方法仍可用于生成具备一系列重要属性的稳定新型晶体材料。

"我们不仅在生成稳定材料，还在优先考量性能，"程谋洋说，"当你同时追求两个目标时，在这一领域能超过50%已经相当困难。过去，研究人员可能只专注于特定属性或稳定性中的一个，最终符合目标的材料比例也往往只有个位数百分比。"

从长远来看，该方法将使更多研究人员能够为一系列下一代应用开发新型材料。

"这将通过免除下游筛选流程来节省大量算力和时间，"李明达说，"不仅对生成数亿种材料的大型项目有益，也将惠及拥有针对性应用需求的小型研究团队。"

本研究得到了美国能源部、Mathworks工程奖学金、美国国家科学基金会以及美国国防威胁降低局的部分资助。

Q&A

Q1：CrysVCD框架是什么？它解决了材料设计中的哪些问题？

A：CrysVCD是MIT研究人员开发的一套材料生成框架，全称为"带价键约束设计的晶体生成器"。它在材料生成流程的前端介入，通过大语言模型确保每个设计在生成前就满足原子价壳层的化学基本规则，从而大幅提升材料稳定性。传统方法需要在生成后再筛选不稳定材料，算力消耗约占整体流程的90%，而CrysVCD将这一问题前置解决，效率提升约一个数量级，使晶格动力学稳定率接近70%。

Q2：CrysVCD生成的材料有哪些实际应用场景？

A：研究团队展示了CrysVCD在两类关键应用场景中的潜力：一是高导热材料，可用于数据中心散热，目前数据中心约30%的能耗用于冷却；二是高介电常数材料，对计算机芯片的性能提升至关重要。此外，该方法在半导体行业同样具有应用价值。研究人员表示，理论上该框架也可扩展至其他具有特定属性需求的材料创建场景。

Q3：CrysVCD能兼容哪些现有的AI材料生成模型？

A：CrysVCD被设计为一种即插即用的前端框架，可兼容目前主流的多种材料生成模型，包括基于扩散技术的模型和基于大语言模型的方案。研究人员将其比喻为"DVD播放机"——可以接入任何"DVD"（即材料生成模型）。这意味着无论是现有模型还是未来开发的新模型，只要存在稳定性不足的问题，都可以通过引入CrysVCD来改善生成质量。