La innovació en materials és crucial per als avenços tecnològics, com ho demostra el descobriment de l'òxid de cobalt de liti, que sustenta les actuals bateries d'ió de liti que alimenten els telèfons mòbils i els cotxes elèctrics. La innovació en materials també és essencial per a les cèl·lules solars eficients, les bateries econòmiques per a l'emmagatzematge d'energia i els adsorbents de reciclatge de CO2. Tradicionalment, trobar nous materials implica un assaig i error costós, però el cribratge computacional ha accelerat aquest procés avaluant bases de dades extenses de materials. MatterGen, detallat en un article a Nature, presenta un enfocament innovador per al descobriment de materials utilitzant IA generativa. En lloc de cribrar materials, MatterGen els crea directament basant-se en requisits específics d'aplicació, fent possible dissenyar materials amb diverses propietats desitjades. Aquesta eina d'IA generativa dóna suport a una exploració eficient més enllà dels materials ja coneguts. MatterGen utilitza un model de difusió que opera sobre geometries 3D de materials, generant estructures ajustant les posicions i elements en una configuració aleatòria. Està entrenat amb dades de 608. 000 materials estables i pot ser afinat amb conjunts de dades etiquetades per generar materials nous adaptats a la química, simetria i diverses propietats.

A diferència del cribratge tradicional, MatterGen accedeix a materials inexplorats i continua generant nous candidats amb característiques específiques. Per abordar el desordre composicional —on els àtoms intercanvien llocs dins d'un material—, MatterGen introdueix un nou algoritme de coincidència d'estructures. Aquest algoritme redefineix la novetat avaluant si les estructures representen variacions del mateix model disordert composicional. La validació experimental va implicar la síntesi d'un nou material, TaCr2O6, que va mostrar resultats estretament alineats amb les prediccions de MatterGen. MatterGen complementa l'emulador d'IA MatterSim, formant un "volant d'inèrcia" que accelera tant la simulació com l'exploració de materials, potenciant potencialment aplicacions en bateries, imants i piles de combustible. El model MatterGen, el codi font i les dades es publiquen sota la llicència MIT. Mirant cap al futur, el treball continuat amb col·laboradors, com al Laboratori de Física Aplicada de la Universitat Johns Hopkins, pretén realitzar tot el potencial de MatterGen. Aquest projecte va sorgir del treball en equip a Microsoft Research AI for Science, implicant un grup divers de investigadors.