编辑丨&
将文本转换为图像的 AI 在生成材料方面表现出优越的天赋，在过去几年中，来自谷歌、微软和 Meta 等公司的生成材料模型利用其训练数据帮助研究人员设计了数千万种新材料。但由于数据有限和结构复杂，功能性无机材料仍然稀缺。
麻省理工学院等的学者们提出了一种生成模型中的结构约束整合（SCIGEN）框架，该框架在基于扩散的生成模型中施加几何约束（如蜂窝状和 Kagome 晶格），以发现稳定的量子材料候选物。
相关的研究以「Structural constraint integration in a generative model for the discovery of quantum materials」为题，发布在《Nature Materials》。
论文链接：https://www.nature.com/articles/s41563-025-02355-y
引导模型向影响方向发展
大模型已经适配到科研的各个方面，但当涉及到设计具有超导性或独特磁态等奇异量子特性的材料时，这些模型却遇到了困难，令人遗憾的是这正是需要它们发挥的场合。
如那些拥有“平带电子态”“非寻常磁性”或“拓扑特性”的量子材料，它们或许能带来新一代电子器件、量子计算平台，甚至帮助解释凝聚态物理里的未解之谜，但奈何这类材料极少出现在已知数据库。
而本次研究中所提出的结构约束整合（SCIGEN）框架，是一种带约束的扩散模型。在生成阶段，AI 不再自由发挥，而是被要求遵守特定晶格几何，比如蜂窝、kagome、Lieb 晶格。这样生成的结构，天然具备可能引发奇异量子效应的骨架。
图 1：以几何图案为约束的材料生成示意图。
团队对具有几何约束的材料的探索并不局限于三种主要类型的人工晶格，还可以应用于其他几何图案。比如说其他七种人工晶格类型：正方形、拉长三角形、截角正方形等。这些材料中不受约束的原子通常对结构的整体稳定性起着关键作用。
SCIGEN 允许从原始分布中进行条件采样，在引导结构基元的同时保持输出有效性。这种方法生成了具有阿基米德和 Lieb 晶格的千万种无机化合物，其中超过 10% 通过了多阶段稳定性筛选。
从千万到两种新晶体
借助新方法，团队合成了两种新的预测材料，TiPd (0.22) Bi (0.88) 和 Ti (0.5) Pd (1.5) Sb，分别表现出顺磁和抗磁行为。 这两种新材料来自于用 SCIGEN 一次性生成的 1006 万种候选，随后通过能量筛选、化学稳定性评估逐步缩减。
在这千万种材料中，团队对 2.6 万 个样本做了 DFT 计算，其中 95% 收敛，53% 在 150 步内达到能量最小值。基于图神经网络（GNN）分类器（准确率 92%），41% 的 DFT 弛豫结构被识别为磁性材料，且特定元素的磁性比例与实验真值高度吻合（Gd 预测率 100%，与真值一致；Fe 预测率 98.53%，接近真值 93.63%）。
图 2：具有其他 AL 结构的生成材料。
AL 材料中 “非约束原子” 的位置具有规律性：如三角形晶格中，非约束原子倾向于桥接 3 个磁性原子形成正三角形；蜂窝晶格中，非约束原子常位于六边形中心，且大尺寸多边形（如六边形）可容纳非约束原子在同一平面，增强结构稳定性。
图 3：类 Lieb晶格的生成材料
上述的两种化合物 TiPdBi 和 TiPbSb 均为新模型所生成的全新化合物，模型的预测结果与实际材料的特性基本保持一致。
与物理直觉并行
这项工作展示了一个重要方向：AI 在材料设计上不能单打独斗，必须与物理规则深度结合。SCIGEN 正是这样一种尝试：它让机器在几何约束下自由发挥，从而找到那些“数据库之外”的可能性。
团队的成果不仅带来了两种新型晶体，更重要的是证明了方法的有效性。未来，类似的工具可能帮助科学家探索更多奇异材料——无论是量子磁体、拓扑超导，还是其他未知的电子态。如研究者所说，它不再只是贪图稳定，而是转向相差各异的材料特性。
相关链接：https://phys.org/news/2025-09-tool-ai-materials-exotic-quantum.html
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
