MatterGen：微软推出的专门用于无机材料设计的模型

MatterGen简介

MatterGen是由微软研究院AI4Science团队开发的一种创新的生成模型，专门用于无机材料的设计。该模型通过一种新颖的基于扩散的过程，能够生成稳定且多样化的无机材料，并且可以针对广泛的属性约束进行微调。MatterGen的核心优势在于其能够直接生成全新的材料结构，这些结构不仅稳定性高，而且与已知材料相比具有更高的独特性和新颖性。通过引入适配器模块，MatterGen能够利用标记数据集对模型进行微调，以满足特定的化学组成、对称性和标量属性（如带隙、体模量、磁密度）等约束条件。这一模型在材料设计领域展现出巨大的潜力，有望推动能源存储、催化和碳捕获等技术领域的进步。

MatterGen主要功能

1. 生成稳定且多样化的无机材料
   • MatterGen能够生成跨越周期表的稳定、多样化的无机材料。它通过独特的扩散过程，逐步细化原子类型、坐标和周期晶格，从而产生晶体结构。生成的材料在能量上接近DFT局部能量最小值，显示出较高的稳定性和新颖性。
2. 针对特定属性约束的材料生成
   • 该模型可以进一步微调，以生成满足特定化学组成、对称性和标量属性（如带隙、体模量、磁密度）约束的材料。例如，它可以生成具有高磁密度的材料，这对于永磁体的设计至关重要；也可以生成具有特定带隙的材料，这对于半导体设计很有价值。
3. 多属性材料设计
   • MatterGen展示了在多属性材料设计方面的能力，能够提出既具有高磁密度又具有低供应链风险化学组成的结构。这表明该模型可以同时考虑多个属性约束，为解决实际应用中的复杂材料设计问题提供了可能。

MatterGen技术原理

1. 基于扩散的生成过程
   • MatterGen采用了一种新颖的基于扩散的生成过程，该过程通过逐步破坏和去噪原子类型、坐标和晶格来生成晶体结构。前向扩散过程独立地破坏原子类型、坐标和晶格，以接近物理上合理的随机材料分布。反向去噪过程则通过迭代去噪一个初始的随机结构来生成稳定的材料。
2. 等变分数网络（Equivariant Score Network）
   • 该网络预训练于大量稳定材料结构数据，用于联合去噪原子类型、坐标和晶格。它能够输出等变分数，分别对应于原子类型、坐标和晶格，从而无需从数据中学习对称性。
3. 适配器模块（Adapter Modules）
   • 为了使模型能够针对特定属性约束进行微调，MatterGen引入了适配器模块。这些模块可以注入到基础模型的每一层，根据给定的属性标签改变模型的输出。适配器模块使得模型能够在只有少量标记数据的情况下进行有效的微调，这对于属性标签计算成本较高的情况尤为有用。
4. 分类器自由引导（Classifier-Free Guidance）
   • 在生成过程中，MatterGen采用分类器自由引导技术，通过应用一个引导因子γ来调整条件分布。这种方法使得模型能够在生成过程中更有效地引导材料结构向目标属性约束靠近，提高了生成材料满足特定属性要求的概率。

MatterGen应用场景

1. 能源存储材料设计：用于开发新型电池材料，如固态电解质，以提高电池的能量密度和安全性。
2. 催化材料研发：设计高效的催化剂，加速化学反应，提高工业生产效率，降低能耗。
3. 碳捕获技术：创造能够高效捕获和储存二氧化碳的材料，助力应对气候变化。
4. 半导体材料创新：研发具有特定电子属性的半导体材料，推动电子设备的性能提升。
5. 永磁体开发：生成高性能的永磁体材料，用于电动机和发电机，提高其效率和功率密度。
6. 超硬材料制造：设计具有高体模量的超硬材料，用于切削工具和耐磨部件，延长使用寿命。

MatterGen项目入口

• GitHub代码库：https://github.com/microsoft/mattergen
• arXiv研究论文：https://arxiv.org/pdf/2312.03687