麻省理工学院研究人员开发了一种名为CrysVCD的人工智能框架，可显著提高计算机生成材料设计的化学稳定性比例，有望为业界和研究实验室节省目前用于筛除不稳定材料的大量计算成本与时间。该工具的研究成果发表于《Nature Computational Science》；它在昂贵的生成过程开始前，就确保候选材料符合有关电子排布的基础化学规则，而非在事后筛除失败的设计。
关于CrysVCD的关键事实
- CrysVCD意为“具有价态约束设计的晶体生成器”，由麻省理工学院材料科学、化学、化学工程、物理和核科学等院系的研究人员开发。
- 该框架结合了一个生成化学有效配方的语言模型，以及一个生成相应原子晶体结构的扩散模型。
- 在计算材料生成中，CrysVCD在近70%的案例中实现了较高的晶格动力学稳定性，这是一项严格的稳定性测试。
- 在针对稳定性指标进行微调后，该方法生成的晶体材料具有68%的机械稳定性和85%的亚稳态性。
- 该工具还可瞄准特定性质，例如用于数据中心冷却的高导热性，或用于计算机芯片的高介电常数。
为何化学稳定性一直是AI设计材料的瓶颈
当前AI模型可在数分钟内生成数百万种新材料设计，但这尚未转化为实际用于计算机芯片和火箭等产品的新材料激增，因为模型无法可靠地将化学稳定性纳入考量。不稳定材料在现实世界中没有实用价值，迫使业界投入大量计算预算进行筛选，有时最终仅剩极小一部分可用选项。
参与这项研究的MIT博士生Mouyang Cheng表示，验证稳定性“具有巨大的计算成本”；他估计，这约占制造可用材料计算成本的90%，并指出这一过程“可能需要数周或数月”。拥有庞大计算预算的大型企业可以承受这项成本，但许多小企业和研究实验室无法承担，因而可能限制该领域的创新。
CrysVCD如何改进现有材料生成模型？
CrysVCD会在高成本生成步骤开始前，检查每一种候选材料是否符合与原子周围电子有关的关键化学规则，而不是在事后筛除不稳定设计。它嵌入一个两阶段流程：语言模型先生成化学有效的配方，扩散模型随后与底层材料生成模型协同生成晶体的原子结构。
副教授Mingda Li用媒体设备作比喻来说明该工具的作用：“如果材料生成模型像DVD，我们就像DVD播放器。你可以把它接入任何类型的模型，不仅是现有的扩散模型，也包括未来人们无法生成足够稳定材料的模型；它能够提高稳定性。”MIT博士生Weiliang Luo指出，典型的基于扩散的材料生成很慢，“就像要用1,000步生成一种材料”；而将CrysVCD的模型放在流程开端，可被视作只需“五步”。近期毕业生Hao Tang补充说，这种前置筛选“让你能够筛除不稳定材料，从而生成质量更高的材料”，并且“适用于任何生成材料的模型”。
这对研究人员和高校实验室意味着什么
MIT Lammot du Pont化学工程教授Heather Kulik表示，资源少于大企业的学术团队仍可通过“更智能的设计和其他方法”在材料发现中取得强劲表现，而不必依赖生成海量候选材料、再从中筛选稳定材料；她称后者鉴于其高计算成本而效率低下。她表示，通过一开始便用语言模型对生成过程施加约束，研究人员“可以显著提高所生成稳定材料的比例”。Mingda Li表示，该方法“将通过消除后续筛选要求，节省巨大的计算成本和时间”，既能惠及生成数亿种材料的大规模工作，也能帮助专注于特定应用的小型研究团队。
瞄准现实世界中的材料性质
除稳定性外，研究人员还利用CrysVCD生成了具有高导热性和易于在电场中极化特征的材料候选物，这些性质与半导体和数据中心冷却相关。MIT Carl Richard Soderberg电力工程教授Ju Li表示，这些是“对半导体产业有用的材料，以及与数据中心冷却有关的高导热材料”；他指出，数据中心快速增长的能源使用量中约30%用于冷却，因此业界需要能够更高效导热的材料。
Cheng表示，同时追求稳定性和特定性能目标异常困难：“任何时候只要有两个目标，在这个领域实现超过50%的成功率都很难。过去，人们可能针对特定性质而不考虑稳定性，或反过来，并且只有个位数百分比的材料符合目标。”团队指出，该方法最适用于内部排列高度有序的固体结构，而非所有类型的材料。
常见问题
什么是CrysVCD？
CrysVCD是“具有价态约束设计的晶体生成器”的简称，是MIT开发的一个框架。它会在完整生成过程运行前，检查AI生成的材料设计是否满足基本的价电子层化学规则，从而提高生成材料具备化学稳定性的可能性。
CrysVCD将材料稳定性比例提高了多少？
据MIT研究人员介绍，CrysVCD在计算材料生成中有近70%的案例实现了较高的晶格动力学稳定性；在针对稳定性指标进行微调后，它生成的晶体材料具有68%的机械稳定性和85%的亚稳态性。
谁开发了CrysVCD，研究发表于何处？
CrysVCD由MIT研究团队开发，成员包括Mingda Li、Mouyang Cheng、Weiliang Luo、Hao Tang、Bowen Yu、Ju Li和Heather Kulik，以及橡树岭国家实验室的Yongqiang Cheng和密歇根州立大学的Weiwei Xie。这项工作发表于《Nature Computational Science》的一篇论文中。
资助与下一步计划
该研究部分获得美国能源部、Mathworks工程奖学金、美国国家科学基金会和美国国防威胁降低局的支持。研究人员表示，该框架旨在接入现有的基于扩散的模型以及未来的材料生成模型，使其成为提升整个领域稳定性的通用工具，而不是依赖于单一模型架构的一次性解决方案。
