Η καινοτομία στα υλικά είναι κρίσιμη για τεχνολογικές ανακαλύψεις, όπως αποδεικνύεται από την ανακάλυψη του οξειδίου λιθίου κοβαλτίου, που αποτελεί τη βάση για τις σημερινές μπαταρίες λιθίου-ιόντων που τροφοδοτούν κινητά τηλέφωνα και ηλεκτρικά αυτοκίνητα. Η καινοτομία στα υλικά είναι επίσης απαραίτητη για αποδοτικά ηλιακά κύτταρα, οικονομικές μπαταρίες για αποθήκευση ενέργειας και προσροφητές ανακύκλωσης CO2. Παραδοσιακά, η εύρεση νέων υλικών περιλαμβάνει την ακριβή μέθοδο της δοκιμής και σφάλματος, αλλά η υπολογιστική διαλογή έχει επιταχύνει αυτή τη διαδικασία αξιολογώντας εκτεταμένες βάσεις δεδομένων υλικών. Το MatterGen, όπως περιγράφεται σε ένα άρθρο του Nature, παρουσιάζει μια νέα προσέγγιση στην ανακάλυψη υλικών με τη χρήση της γεννητικής AI. Αντί να γίνεται διαλογή υλικών, το MatterGen τα δημιουργεί απευθείας βασισμένο σε συγκεκριμένες απαιτήσεις εφαρμογής, καθιστώντας δυνατή την σχεδίαση υλικών με διάφορες επιθυμητές ιδιότητες. Αυτό το εργαλείο γεννητικής AI υποστηρίζει αποδοτική εξερεύνηση πέρα από τα γνωστά υλικά. Το MatterGen χρησιμοποιεί ένα μοντέλο διάχυσης που λειτουργεί σε 3D γεωμετρίες υλικών, γεννώντας δομές με την προσαρμογή των θέσεων και στοιχείων σε τυχαία διαρρύθμιση. Εκπαιδεύεται με δεδομένα από 608. 000 σταθερά υλικά και μπορεί να προσαρμοστεί με επισημασμένα σύνολα δεδομένων για να δημιουργήσει νέα υλικά προσαρμοσμένα στη χημεία, συμμετρία και διάφορες ιδιότητες.

Σε αντίθεση με την παραδοσιακή διαλογή, το MatterGen έχει πρόσβαση σε ανεξερεύνητα υλικά και συνεχίζει να παράγει νέους υποψήφιους με συγκεκριμένα χαρακτηριστικά. Για την αντιμετώπιση της συνθετικής αταξίας, όπου τα άτομα ανταλλάσσουν θέσεις μέσα σε ένα υλικό, το MatterGen εισάγει έναν νέο αλγόριθμο αντιστοίχισης δομών. Αυτός ο αλγόριθμος επαναπροσδιορίζει τη νεωτερισμό αξιολογώντας εάν οι δομές αντιπροσωπεύουν παραλλαγές του ίδιου συνθετικά ακατάστατου προτύπου. Η πειραματική επιβεβαίωση περιελάμβανε τη σύνθεση ενός νέου υλικού, του TaCr2O6, που έδειξε αποτελέσματα που ευθυγραμμίζονται στενά με τις προβλέψεις του MatterGen. Το MatterGen συμπληρώνει το AI emulator MatterSim, σχηματίζοντας ένα «τροχό» που επιταχύνει τόσο τη προσομοίωση όσο και την εξερεύνηση υλικών, ενισχύοντας ενδεχομένως εφαρμογές σε μπαταρίες, μαγνήτες και κυψέλες καυσίμου. Το μοντέλο MatterGen, ο πηγαίος κώδικας και τα δεδομένα έχουν δημοσιοποιηθεί με άδεια MIT. Κοιτάζοντας προς το μέλλον, συνεχίζεται η συνεργασία με συνεργάτες, όπως στο Εργαστήριο Εφαρμοσμένης Φυσικής του Πανεπιστημίου Johns Hopkins, με στόχο την πλήρη αξιοποίηση του δυναμικού του MatterGen. Αυτό το έργο αναδύθηκε από τη συνεργασία στη Microsoft Research AI for Science, που περιλαμβάνει μια ποικιλόμορφη ομάδα ερευνητών.