Materjalide innovatsioon on tehnoloogiliste läbimurrete jaoks ülioluline, nagu näitab liitiumkoobaltoksiidi avastamine, mis toetab praeguseid mobiiltelefone ja elektriautosid toiteallikana kasutatavaid liitiumioonakusid. Materjalide uuendamine on samuti oluline tõhusate päikesepatareide, majanduslike energiasalvestusakude ja CO2 taaskasutamise absorbentide jaoks. Traditsiooniliselt hõlmab uute materjalide leidmine kulukat katse-eksituse meetodit, kuid arvutuslik sõelumine on seda protsessi kiirendanud, hinnates ulatuslikke materjalide andmebaase. Nature'i artiklis kirjeldatud MatterGen pakub uudset lähenemist materjalide avastamisele generatiivse tehisintellekti abil. Selle asemel, et materjale sõeluda, loob MatterGen need otseselt konkreetsete rakendusnõuete alusel, võimaldades kujundada materjale erinevate soovitud omadustega. See generatiivne tehisintellekti tööriist toetab tõhusat uurimist väljaspool tuntud materjale. MatterGen kasutab difusioonimudelit, mis toimib materjalide 3D-geomeetriate baasil, genereerides struktuure, kohandades positsioone ja elemente juhuslikus seadistuses. See on treenitud 608 000 stabiilse materjali andmetega ning seda saab peenhäälestada märgistatud andmekogumitega, et luua uusi materjale, mis on kohandatud keemia, sümmeetria ja erinevate omaduste järgi.

Erinevalt traditsioonilisest sõelumisest pääseb MatterGen uurimata materjalide juurde ja jätkab uute, konkreetsete omadustega kandidaatide genereerimist. Kompositsioonilise häire lahendamiseks—kus aatomid vahetavad kohti materjalis—tutvustab MatterGen uut struktuuri vastavuse algoritmi. See algoritm määratleb uudsuse ümber, hinnates, kas struktuurid esindavad samu kompositsiooniliselt häiritud malle. Eksperimentaalne valideerimine hõlmas uue materjali, TaCr2O6 sünteesimist, mis näitas tulemusi, mis klappisid MatterGen’i ennustustega täpselt. MatterGen täiendab tehisintellekti emulaatorit MatterSim, luues "võimendusratta", mis kiirendab nii materjalide simulatsiooni kui ka uurimist, parandades potentsiaalselt akude, magnetite ja kütuseelementide rakendusi. MatterGen-i mudel, lähtekood ja andmed on avalikult vabastatud MIT-i litsentsi alusel. Tulevikku vaadates jätkatakse koostööd partneritega, näiteks Johns Hopkins University Applied Physics Laboratory, et realiseerida MatterGen-i täielik potentsiaal. See projekt sündis Microsoft Research AI for Science’i teadlaste mitmekesise meeskonna ühistööna.