来源：DeepTech深科技

近年来，能够将文字转化为图像的人工智能模型，也逐渐展现出在“新材料生成”方面的潜力。谷歌、微软、Meta 等公司的生成式材料模型已经帮助科研人员设计了数千万种新材料。

然而，当研究目标是具备超导性或独特磁态等“奇异量子特性”的材料时，这些模型却力不从心。比如，科研人员花了十多年研究一种被称为“量子自旋液体”（quantum spin liquids）的材料体系，该体系被认为可能革新量子计算，但目前全球只找到十几种候选材料。材料发现的瓶颈，严重制约了技术突破的可能性。

为解决这一难题，麻省理工学院（MIT）的研究人员开发了一种新技术，使现有的生成式材料模型能够在遵循特定设计规则的前提下，生成具有潜在量子特性的材料。这些设计规则——也称“约束条件”——引导模型生成具有特殊几何结构的材料，而这些结构恰恰是量子特性的来源。

相关成果已发表于 Nature Materials 期刊。研究团队利用这一方法生成了数百万种与量子特性相关的晶格结构材料，并从中成功合成了两种具有奇异磁性的全新化合物。

MIT 教授 Mingda Li 表示：“大公司的模型通常生成的是稳定性最优的材料。但材料科学的突破往往并不是这样发生的。我们不需要一千万种新材料来改变世界，只需要一种真正优秀的材料。”

让 AI“懂规则”

材料的性质由结构决定，量子材料也不例外。某些原子排列方式更容易产生独特的量子效应。比如，方格晶格可作为高温超导体的基础，而 Kagome 晶格和 Lieb 晶格则有助于研发量子计算所需的材料。

为了让主流生成模型（如扩散模型 diffusion models）生成符合这些几何结构的材料，MIT 研究团队开发了一个名为 SCIGEN 的计算工具（全称 Structural Constraint Integration in GENerative model）。该工具能在每次迭代中检查模型生成的结果，确保其符合用户设定的几何规则。若生成结果不符合规则，就会被自动“拦截”。

换言之，SCIGEN 就像一个“守门员”，保证模型输出的材料不仅仅是“稳定”，而是“可能具备目标量子特性”。

团队将 SCIGEN 应用于一种流行的材料生成模型 DiffCSP。他们要求模型生成带有阿基米德晶格（Archimedean lattices）的材料。阿基米德晶格是一类二维多边形铺排的特殊结构，长期以来被认为与量子自旋液体及“平带”现象密切相关。

研究结果显示，模型共生成了 1000 多万种候选材料，其中 100 万种通过了稳定性筛选。研究人员随后利用美国橡树岭国家实验室的超级计算机，对 2.6 万种材料进行了更精细的模拟，结果发现其中 41% 具有磁性。最终，他们在实验室成功合成了两种此前从未被发现的化合物：TiPdBi 和 TiPbSb，并验证了其与模型预测相符的量子特性。

“我们希望发现能带来巨大潜力的新材料，因此从这些几何结构出发是最自然的选择。科学界早已知道这些结构可能孕育量子特性，现在我们能更高效地找到对应的材料。”MIT 博士生、论文第一作者 Ryotaro Okabe 表示。

加速量子材料发现

量子自旋液体被认为是实现稳定、抗误差量子比特（qubit）的关键，从而可能为量子计算奠定基础。然而迄今为止，还没有任何一种量子自旋液体材料得到确证。

研究合作者、密歇根州立大学的 Weiwei Xie 教授与普林斯顿大学的 Robert Cava 教授认为，SCIGEN 的方法有望大幅加快相关材料的探索进程。

Xie 表示：“目前全球都在寻找量子计算与拓扑超导所需的材料，而这些材料往往与几何晶格紧密相关。”

Cava 补充称：“实验进展一直非常缓慢，因为量子自旋液体必须满足特定的晶格条件，比如三角格子或 Kagome 格子。只要材料满足这些条件，研究人员就会感到兴奋，因为这是必要条件。SCIGEN 可以一次性生成成百上千个这样的候选，为实验提供了更大的材料池。”

未参与此研究的美国德雷塞尔大学教授 Steve May 也对这项工作进行了评价：“这项研究展示了一种全新工具，能够利用机器学习预测出具有特定几何结构的材料。它将显著加快新材料的研发步伐，为下一代电子、磁性或光学技术提供可能。”

研究人员强调，实验验证仍是关键步骤，只有通过实际合成与测试，才能确认 AI 生成的材料是否真的具备预期性能。未来，团队计划在 SCIGEN 中加入更多约束条件，比如化学成分与功能特性，进一步提升其应用价值。

博士生 Okabe 总结道：“想要改变世界的人，关注的不是材料的稳定性，而是它们的实际特性。我们的做法降低了‘稳定材料’的比例，但打开了寻找更有潜力材料的大门。”

这项研究获得了美国能源部、国家能源科研计算中心（NERSC）、国家科学基金会以及橡树岭国家实验室的部分支持。

原文链接：

1.https://news.mit.edu/2025/new-tool-makes-generative-ai-models-likely-create-breakthrough-materials-0922