Inovace v oblasti materiálů je klíčová pro technologické průlomy, což dokazuje objev lithium-kobalt-oxidu, který stojí za současnými lithium-iontovými bateriemi napájejícími mobilní telefony a elektrická vozidla. Inovace materiálů je také nezbytná pro efektivní solární články, ekonomické baterie pro ukládání energie a adsorbenty pro recyklaci CO2. Tradiční hledání nových materiálů zahrnuje nákladné pokusy a omyly, avšak výpočetní screening tento proces urychlil hodnocením rozsáhlých databází materiálů. MatterGen, popsaný v článku v časopise Nature, představuje nový přístup k objevu materiálů pomocí generativní AI. Namísto screeningu materiálů MatterGen materiály přímo vytváří na základě specifických požadavků aplikace, což umožňuje navrhovat materiály s různými požadovanými vlastnostmi. Tento nástroj generativní AI podporuje efektivní průzkum mimo dobře známé materiály. MatterGen používá difuzní model operující na 3D geometrických strukturách materiálů, generuje struktury úpravou pozic a prvků v náhodném nastavení. Je trénován na datech z 608 000 stabilních materiálů a může být doladěn pomocí označených datasetů k vytvoření nových materiálů přizpůsobených chemii, symetrii a různým vlastnostem.

Na rozdíl od tradičního screeningu MatterGen přistupuje k neprozkoumaným materiálům a neustále generuje nové kandidáty s určitými vlastnostmi. K řešení složení nepořádku - kde atomy zaměňují místa v rámci materiálu - MatterGen představuje nový algoritmus pro porovnávání struktur. Tento algoritmus redefinuje novost hodnocením, zda struktury představují variace stejného šablonového materiálu se složením nepořádku. Experimentální ověřování zahrnovalo syntézu nového materiálu, TaCr2O6, který vykazoval výsledky blízko předpovědím MatterGenu. MatterGen doplňuje AI emulátor MatterSim, čímž tvoří "setrvačník", který urychluje jak simulaci, tak průzkum materiálů, což může potenciálně zlepšit aplikace v bateriích, magnetech a palivových článcích. Model MatterGen, zdrojový kód a data jsou veřejně uvolněny pod licencí MIT. Dívajíce se dopředu, pokračující spolupráce s partnery, například v Applied Physics Laboratory na Johns Hopkins University, má za cíl realizovat plný potenciál MatterGenu. Tento projekt vznikl díky týmové práci ve Microsoft Research AI for Science, zahrnující různorodou skupinu výzkumníků.