AI助力设计能在现实世界中应用的新材料

MIT News — Artificial Intelligence 2026/08/26 09:00 论文

ai-materials materials-discovery framework stability generative-ai crystal-structure

摘要

MIT研究人员提出了一种名为CrysVCD的框架，通过强制执行价键规则来增强AI生成材料的化学稳定性，使其更适合应用于计算机芯片和火箭等现实世界场景。

如今，任何拥有足够大AI模型的人都能在几分钟内生成数百万种新材料设计。遗憾的是，这并未带来用于提升计算机芯片和火箭等产品性能的新材料数量的巨大飞跃。导致这种转化差距的原因之一是，当前模型无法可靠地考虑其生成材料的化学稳定性，而不稳定的材料在现实世界中并不实用。这迫使行业投入大量计算预算来筛选出所有不稳定的材料，在某些情况下只留下极少数可用选项。现在，MIT研究人员开发了一种框架，可在材料生成过程开始时应用，以大幅提升稳定性同时实现目标材料特性。其工作原理是在昂贵的生成步骤开始前，确保每个设计都满足与材料原子周围电子相关的一些关键化学规则。研究人员将他们的方法称为“价键约束设计的晶体生成器”，简称CrysVCD。在<a href="https://www.nature.com/articles/s43588-026-01037-2" target="_blank">今天发表在《Nature Computational Science》上的论文</a>中，研究人员展示了CrysVCD如何使几种常用的材料模型更频繁地满足那些价层规则，并用于在近70%的计算材料生成中实现高晶格动力学稳定性——一种严格的稳定性测试。他们还表明，该方法可以支持创建具有特定目标特性的材料，如高热导率或高介电常数，这对计算机芯片和数据中心很重要。研究人员设想人们如何使用他们的系统，其名称就有所暗示。“如果材料生成模型像DVD，那我们就像DVD播放器，”核科学与工程副教授Mingda Li说。“你可以将它插入任何类型的模型，不仅是现有的扩散模型，还有未来的模型，当人们无法生成足够稳定的材料时，它可以提高稳定性。”与Li合作这篇论文的有Mouyang Cheng SM ’26和Weiliang Luo，分别是MIT材料科学与工程和化学的博士研究生；Hao Tang PhD ’26，材料科学与工程的应届毕业生；Bowen Yu，物理学大四本科生；Yongqiang Cheng，Oak Ridge National Laboratory的职员科学家；Weiwei Xie，密歇根州立大学的副教授；Ju Li，MIT的Carl Richard Soderberg动力工程教授；以及Heather Kulik，MIT的Lammot du Pont化学工程教授。更高效的材料材料设计的计算方法已存在数十年，但人工智能的最新进展增加了对其潜力的兴奋。特别感兴趣的是那些可以从期望的材料特性出发，反向工作以提供实现该目标的材料的模型。其中一些模型使用了一种名为扩散的AI技术，通常用于生成图像，而另一些则使用大型语言模型，如驱动ChatGPT和Claude的模型，但两种方法都难以确保其材料生成实现化学稳定性或遵循关于化学品如何相互作用和行为的基本原理。解决方案是在生成过程上添加另一层计算来过滤掉不稳定的材料。“生成材料结构正变得容易，”Cheng说。“但验证过程，特别是测试稳定性的部分，计算成本巨大。它大约占创建可用材料计算成本的90%，可能需要数周或数月。”拥有巨额计算预算的大公司可以负担得起运行这些过程，但许多小公司和研究实验室却不能，这可能限制了该领域的创新。“在学术界，我们资源较少，但我认为通过更智能的设计和其他方法，我们仍然可以实现强劲性能，”Kulik解释道。“生成模型然后为稳定性进行筛选是低效的。计算成本很高。但如果我们把语言模型放在过程的开始来约束生成，你可以显著提高生成稳定材料的比例。”这项新研究涉及MIT材料科学与工程、化学、化学工程、物理学和核科学与工程部门的关联研究人员。研究人员共同将AI扩散模型与语言模型相结合。在其过程的第一阶段，语言模型产生化学有效的公式。在第二阶段，扩散模型使用该公式，在基础材料生成模型的协调下生成晶体材料的相应原子结构。“对于典型的材料生成，扩散是一个缓慢的过程——你可以想象它像1000步来创建一种材料，”Luo说。“相比之下，当我们的模型在开始时使用时，你可以想象它像五步。它允许你筛选出不稳定的材料，以生成更高质量的材料。而且它适用于任何生成材料的模型，”Tang补充道。研究人员表明，他们的方法比依赖于生成后筛选材料的方法更高效一个数量级地创建了更稳定的材料。在针对稳定性指标进行微调后，他们的方法产生的晶体材料实现了68%的机械稳定性和85%的亚稳态性，后者衡量材料在未受干扰时是否保持在稳定状态。研究人员随后使用他们的方法生成具有高热导率和在电场中易于极化的材料候选物。“这些材料对半导体行业有用，高热导率材料与数据中心冷却相关，”Ju Li说。“原则上，你也可以用它来创建其他特性，但热导率对于冷却数据中心变得非常重要。该行业的能源使用量大幅增加，其中30%用于冷却。该行业需要具有高热导率的材料来更有效地去除热量。”材料设计的民主化新方法并非适用于所有类型的材料——它最适用于具有高度有序内部排列的固体结构。尽管如此，该方法可用于生成具有多种重要特性的稳定新晶体材料。“我们不仅在生成稳定材料，还在优先考虑性能，”Cheng说。“任何时候你有两个目标，在该领域用超过50%的比率实现这些目标是困难的。过去，人们可能针对特定特性或稳定性有一个目标，而得到符合目标的材料百分比是单位数。”最终，该方法将使更多研究人员能够开发用于一系列下一代应用的新型材料。“这将通过消除下游选择要求来节省巨大的计算成本和时间，”Li说。“这不仅有助于生成数亿材料的大型项目，还有助于具有针对性应用的较小研究团队。”这项工作得到了美国能源部、Mathworks工程奖学金、美国国家科学基金会和美国国防威胁减少局的部分支持。

查看原文

查看缓存全文

缓存时间: 2026/08/26 15:53

# AI助力设计出可在现实中应用的新材料来源：https://news.mit.edu/2026/ai-helps-design-new-materials-that-work-in-real-world-0826 如今，任何拥有足够强大的人工智能模型的人都能在几分钟内生成数百万种新材料设计方案。遗憾的是，这并未带来用于提升计算机芯片、火箭等产品性能的新材料数量的大幅飞跃。造成这种应用鸿沟的原因之一，是现有模型无法可靠评估其生成材料的化学稳定性，而不稳定的材料在现实中几乎无用。这迫使工业界必须投入巨大计算资源来筛选所有不稳定的生成材料，有时仅剩极小一部分可用选项。现在，麻省理工学院的研究人员开发出一种框架，可在材料生成过程的初始阶段应用，既能大幅提升稳定性，又能实现目标材料特性。该方法确保每个设计在进入高成本生成步骤前，就满足材料原子周围电子相关的化学关键规则。研究者将其命名为“价电子约束设计的晶体生成器”（CrysVCD）。在今日发表于《自然·计算科学》（https://www.nature.com/articles/s43588-026-01037-2）的论文中，研究者展示了如何利用CrysVCD使多种常用材料模型更频繁地满足价电子层规则，并通过该方法在近70%的计算材料生成中实现了高晶格动力学稳定性——这是一种严格稳定性测试。他们还证明该方法能够支持制造具有特定目标属性的材料，例如高热导率或高介电常数，这对计算机芯片和数据中心至关重要。从命名可见研究者对该系统的定位。 “如果材料生成模型像是DVD，我们就像DVD播放器，”核科学与工程系副教授李明达表示，“它可以接入任何模型——不仅是现有扩散模型，还包括未来那些无法生成足够稳定材料的模型——从而提升稳定性。” 论文共同作者包括：材料科学与工程系博士生程谋阳、化学系博士生罗伟良、近期毕业的材料科学与工程博士唐浩、物理系高年级学生余博文、橡树岭国家实验室科研人员程永强、密歇根州立大学副教授谢微微、MIT动力工程Carl Richard Soderberg讲席教授李巨，以及MIT化学工程Lammot du Pont讲席教授希瑟·库利克。 **更高效的材料设计** 计算材料设计方法已存在数十年，但近年来人工智能的突破使其潜力备受关注。特别值得关注的是那些能以目标材料特性为起点反向推导的生成模型。部分模型采用常用于图像生成的AI扩散技术，另一些则使用类似驱动ChatGPT和Claude的大语言模型。但两类方法都难以确保生成的材料具备化学稳定性，或遵循化学相互作用的基本原理。以往解决方案是在生成过程后添加额外计算层来过滤不稳定材料。 “生成材料结构变得容易了，”程谋阳指出，“但验证过程，尤其是稳定性测试环节，计算成本巨大。这相当于制造可用材料90%的计算开销，可能耗时数周或数月。” 拥有雄厚计算资源的大企业可承担这些流程，但许多中小企业和研究实验室无法负担，这可能限制该领域的创新。 “在资源有限的学术界，我认为通过更智能的设计和其他方法仍可取得优异成果，”库利克解释道，“先生成模型再筛选稳定性效率低下，计算成本高昂。但如果将语言模型置于流程初始阶段来约束生成过程，就能显著提高稳定材料的生成比例。” 这项新研究涉及MIT材料科学与工程、化学、化学工程、物理和核科学与工程等院系的研究者。团队将AI扩散模型与语言模型相结合：第一阶段由语言模型生成化学有效的分子式，第二阶段扩散模型依据该分子式，协同底层材料生成模型创建晶体材料的原子结构。 “典型的材料扩散生成过程缓慢——可想象为1000步生成一种材料，”罗伟良比喻道。 “相比之下，使用我们模型的初始阶段只需约五步，它能筛除不稳定材料，生成更高质量材料，且适用于任何材料生成模型，”唐浩补充道。研究表明，该方法比生成后筛选材料的方法效率提高一个数量级。在稳定性指标微调下，该方法生成的结晶材料达到68%的机械稳定性和85%的亚稳态性（即材料在无扰动时保持稳定状态的能力）。研究人员随后运用该方法，生成了具有高热导率和易电场极化特性的材料候选。 “这些材料对半导体行业至关重要，高热导率材料也与数据中心冷却相关，”李巨指出，“原则上还可用于创造其他特性，但热导率对数据中心冷却已变得极其重要。该行业能源消耗剧增，其中30%用于冷却。行业急需高热导率材料以更高效地散热。” **材料设计民主化** 新方法并非适用于所有材料，最适用于内部高度有序排列的固体结构。尽管如此，该方法仍可用于生成具有多种重要特性的稳定新型晶体材料。 “我们不仅生成稳定材料，更注重性能优化，”程谋阳强调，“同时实现两个目标时，超过50%的达成率在该领域已属难得。过去研究者可能只追求特定性能或稳定性，导致符合目标的材料占比仅有个位数。” 最终，该方法将使更多研究人员能够开发应用于各类下一代技术的新型材料。 “这将通过消除下游筛选需求，节省巨额计算成本和时间，”李明达总结道，“不仅有助于生成数亿材料的大型项目，也能支持具有特定应用目标的中小型研究团队。” 该工作部分得到美国能源部、Mathworks工程奖学金、美国国家科学基金会和美国国防威胁减少局的支持。

AI助力设计能在现实世界中应用的新材料

相似文章

AI让化学家通过简单描述设计分子

MIT研究人员利用AI揭示材料中的原子缺陷

构建理解化学原理的AI模型

以材料科学创新推动下一代AI发展

@xbresson: 如何用AI设计材料？很高兴与@liu…合作推出Crys-JEPA这一新生成技术。

提交意见反馈