材料设计重大突破！微软发布创新大模型，准确率提升10倍！

近日，绿通又出了幺蛾子。河北一卡车司机爆料称，他从云南拉了一车橘子，上高速时不超吨，一切都很顺利。在佛山里和收费站下高速时，却显示超吨，重量为19.22吨。绿通不假，但超重也要收费，司机说明上高速时不超重的情况，工作人员却表示只看他们自己的地磅显示数据。

声明:本文来自于微信公众号 AIGC开放社区，作者:AIGC开放社区，授权 转载发布。

微软发布了专用于的——。

M terGen的基础架构是基于扩散模型，能逐步优化原子类型、坐标及周期晶格，从而快速生成不同类型的新型无机材料。例如，在能源领域，M terGen可以生成一种全新的正极材料。

通过对原子类型的调整，引入一些具有特殊电子结构的过渡金属元素，并精确确定其在晶格中的位置坐标，可开发出独特微观结构的晶体晶格，延续电池的续航能力与寿命。

相比传统的发现方法，M terGen能将生成稳定、独特且新颖材料的比例提高2倍以上，并使生成结构距离其DFT局部能量最小值近10倍之多。所以，M terGen对于电动车、航空航天、电子芯片等高科技领域帮助巨大。

可能很多小伙伴对这个新领域有点懵，那咱就来个简单通俗易懂的解释。假如你想要建造一座房子，传统的方法就像是从现有的房子设计图中挑选，可能还不太符合我们的特殊需求。

现在用M terGen来盖房子，你可以直接说你想要一个五室一厅，需要一个健身房，一个电竞房，两个小卧室，一个主卧室， 房子外面再来一个小花园。整体房子架构选用中式风格，墙壁上 加点龙啊~凤啊什么的修饰一下。

这也就是说，M terGen通过扩散过程将复杂的无机材料发现，进行了更细化的分解生成。能根据我们给出的这些具体要求，逐步去探索和构建最合适的材料组合与结构布局。

先从原子类型入手，就像挑选不同质地和特性的建筑材料;再精心确定这些原子在空间中的坐标位置，精准放置每一块砖石;最后构建出完美的周期晶格，搭建起稳固而独特的房屋框架。

其实很多网友看完这个也懵，请把我当成5岁小孩那样，解释一下这个技术吧~

我知道AI正在改变一切，最终也会发生。但没想到来的这么快。

看看它发现了一些惊人的超导体，提高了计算性能，进而增强了它发现更多超导材料的能力，又进一步提升了计算能力，如此反复……你懂的。想象一下，AI正在优化一切。关键的临界质量已经达成。

在电池单元添加剂方面可能会出现一场革命，这些添加剂近年来在该领域中一直被讨论并需求。根据微软提供的图像，它看起来像是一个也可以帮助生产正极活性材料的模型。

感谢这个模型已经实现AGI了。

是时候让AI来 全球变暖问题了。

这个相当于材料界的AlphaFold模型吧?

M terGen架构介绍

在M terGen模型中，扩散过程是生成晶体结构的核心机制。这一过程的灵感来源于物理学中的扩散现象，其中粒子从高浓度区域向低浓度区域移动，直到达到均匀分布。在材料设计的背景下，扩散过程被巧妙地改编为从一个完全随机的初始状态生成一个有序的、稳定的晶体结构。

扩散过程开始于一个随机的初始结构，这个结构没有任何物理意义，仅仅是原子在空间中的随机分布。接着，M terGen通过一系列迭代步骤，逐步减少这个初始结构中的“噪声”，使其逐渐接近一个真实的晶体结构。这个过程不是简单的随机变化，而是受到物理定律和材料科学原理的严格指导。

在每一步迭代中，M terGen都会对原子的类型、坐标和晶格参数进行微调。这些微调是基于一个预定义的物理动机分布进行的，这意味着模型在调整原子位置和类型时，会考虑到晶体材料的实际物理特性，如原子间的键长、键角以及晶格的对称性。

例如，坐标扩散会尊重晶体的周期边界，通过一个包裹正态分布来调整原子的位置，确保原子不会离开晶体的周期性结构。晶格扩散则采用对称形式，其分布的均值是一个立方晶格，平均原子密度来自训练数据，这样可以确保生成的晶格结构既稳定又具有物理意义。

等变分数网络是M terGen模型中的另一个关键组件，负责学习如何从扩散过程中恢复出原始的晶体结构。这个网络的设计基于一个重要的物理原理—等变性。

等变性是指一个系统在某些变换下保持某些性质不变的特性。在晶体材料中，这意味着材料的性质在旋转、平移等操作下保持不变。

等变分数网络通过学习数据中的模式，能够输出原子类型、坐标和晶格的等变分数。这些分数代表了每个原子和晶格参数在当前结构中的“不适配度”，即它们与理想晶体结构的偏差。

网络通过计算这些分数，指导模型如何调整原子和晶格参数，以减少结构中的噪声，使其更接近一个稳定的晶体结构，也是M terGen能提升准确、理想率的重要原因之一。

为了增加模型的灵活性，M terGen加入了适配器模块能够针对不同的下游任务进行微调，可以根据给定的性质标签改变模型的输出。（就是我们那个案例说的量身定制功能）

适配器在模型的每一层中都引入了一个额外的参数集，这些参数可以根据任务特定的性质标签进行调整。在微调过程中，这些参数会被优化，以使模型生成的结构更好地满足特定任务的要求。这种设计不仅提高了模型的适应性，还减少了微调所需的标记数据量，因为模型不需要从头学习每个任务的特性，而是可以在预训练的基础上进行调整。

例如，在设计一种新型的电池材料时，可能需要模型关注材料的电导率和离子扩散率;而在设计一种新型的催化剂时，则可能需要模型关注材料的表面活性和选择性。适配器模块使得模型能够根据这些不同的需求，调整其生成结构的策略。

目前，微软已经把该研究发布在了《N e》上，并且得到了众多科技大咖的认可。可以比肩谷歌在去年获得诺贝尔化学奖的蛋白质预测模型AlphaFold系列。