Коллаборация ученых из подразделения Microsoft Research AI for Science представил MatterGen — новую парадигму в дизайне материалов с использованием генеративного искусственного интеллекта. MatterGen позволяет ускорить процесс разработки материалов, автоматически генерируя и оценивая потенциальные структуры с заданными свойствами.

Создание функциональных материалов с заданными свойствами — это ключ к развитию технологий в таких областях, как энергетика, катализ и улавливание углекислого газа. Однако традиционные методы поиска новых материалов часто оказываются медленными и неэффективными. Ученые представили MatterGen — генеративную модель, которая использует искусственный интеллект для создания стабильных и разнообразных неорганических материалов с заданными свойствами.

MatterGen — это алгоритм, который генерирует новые кристаллические структуры, опираясь на данные о химических, механических, электронных и магнитных свойствах материалов. В отличие от предыдущих моделей, которые часто предлагали нестабильные или непрактичные материалы, MatterGen создает структуры, которые:

• В два раза чаще оказываются стабильными и новыми.
• Находятся в 10 раз ближе к локальному энергетическому минимуму, что делает их более устойчивыми.
• Могут быть настроены для удовлетворения широкого спектра требований, таких как определенная химическая структура, симметрия или свойства.

MatterGen использует машинное обучение для анализа огромного количества данных о существующих материалах. На основе этих данных модель “учится” создавать новые кристаллы, которые соответствуют заданным параметрам. Например, можно запросить материал с высокой проводимостью или магнитными свойствами, и MatterGen предложит несколько вариантов.

Вот что пишут сами авторы:
“Генеративные модели перспективны для решения задач обратного проектирования, поскольку они могут эффективно прогнозировать новые структуры с желаемыми свойствами. Однако генерация трехмерной структуры стабильных кристаллических материалов является сложной задачей из-за их периодичности и взаимодействия между различными типами атомов, координатами и решеткой. MatterGen устраняет ограничения предыдущих методов, учитывая совместный процесс диффузии для типов атомов, координат и решетки, что в сочетании с существенно большим набором обучающих данных радикально увеличивает стабильность, уникальность и новизну генерируемых материалов.”

Практическое применение

В качестве доказательства концепции ученые синтезировали один из материалов TaCr2O6, созданных MatterGen, и измерили его свойства. Результаты оказались всего на 20% от целевого значения, что подтверждает высокую точность модели.

Почему это важно?

• Для энергетики: MatterGen может ускорить разработку новых материалов для аккумуляторов, топливных элементов и солнечных панелей.
• Для экологии: Модель поможет создать более эффективные катализаторы для улавливания углекислого газа и других экологических задач.
• Для науки: MatterGen открывает новые возможности для изучения материалов, которые раньше было невозможно предсказать.

MatterGen представляет собой значительный шаг вперед в области дизайна материалов. Эта модель не только ускоряет процесс создания новых кристаллов, но и делает его более точным и предсказуемым. 

Работа опубликована в журнале “Nature”: A generative model for inorganic materials design | Nature

Код доступен бесплатно на гитхабе: https://github.com/microsoft/mattergen