نوآوری در مواد برای دستیابی به پیشرفت‌های فناورانه بسیار مهم است، همان‌گونه که کشف لیتیوم کبالت اکسید که پایه‌ای برای باتری‌های لیتیوم-یونی کنونی است و تلفن‌های همراه و خودروهای الکتریکی را نیرو می‌دهد، نشان می‌دهد. نوآوری در مواد برای سلول‌های خورشیدی کارآمد، باتری‌های اقتصادی برای ذخیره انرژی و جاذب‌های بازیافت CO2 نیز ضروری است. به طور سنتی، یافتن مواد جدید شامل آزمون و خطا با هزینه بالاست، اما غربالگری محاسباتی این فرآیند را با ارزیابی پایگاه‌های داده مواد وسیع تسریع کرده است. MatterGen، که در مقاله‌ای در Nature مطرح شده، رویکردی نوآورانه به کشف مواد با استفاده از هوش مصنوعی مولد ارائه می‌دهد. به جای غربالگری مواد، MatterGen آن‌ها را به طور مستقیم بر اساس نیازهای خاص برنامه ایجاد می‌کند، و امکان طراحی موادی با خصوصیات مختلف مطلوب را فراهم می‌کند. این ابزار هوش مصنوعی مولد از کاوش کارآمد فراتر از مواد شناخته شده پشتیبانی می‌کند. MatterGen از یک مدل پخش روی هندسه‌های سه‌بعدی مواد استفاده می‌کند، و با تنظیم موقعیت‌ها و عناصر در یک تنظیم تصادفی، ساختارها را تولید می‌کند. این مدل با داده‌های 608, 000 ماده پایدار آموزش دیده است و می‌توان آن را با مجموعه داده‌های برچسب‌گذاری‌شده برای تولید مواد جدید متناسب با شیمی، تقارن و خصوصیات مختلف تنظیم مجدد کرد.

برخلاف غربالگری سنتی، MatterGen به مواد ناشناخته دسترسی دارد و به تولید کاندیداهای جدید با ویژگی‌های خاص ادامه می‌دهد. برای مقابله با بی‌نظمی ترکیبی—که در آن اتم‌ها جای خود را درون یک ماده تغییر می‌دهند—MatterGen الگوریتم جدید سازگاری ساختاری را معرفی می‌کند. این الگوریتم با ارزیابی این که آیا ساختارها نمایانگر واریاسیون‌های همان قالب بی‌نظم ترکیبی هستند، نوآوری را مجدداً تعریف می‌کند. اعتبارسنجی تجربی شامل سنتز ماده جدید TaCr2O6 بود که نتایجی نزدیک به پیش‌بینی‌های MatterGen نشان داد. MatterGen مکمل شبیه‌سازی هوش مصنوعی MatterSim است و یک "چرخ لنگر" را تشکیل می‌دهد که شبیه‌سازی و کاوش مواد را سرعت می‌بخشد و پتانسیل افزایش کاربردها در باتری‌ها، آهنرباها و سلول‌های سوختی را دارد. مدل MatterGen، کد منبع و داده‌ها تحت اجازه‌نامه MIT به صورت عمومی منتشر شده‌اند. به آینده، کار مداوم با همکاران، مانند در آزمایشگاه فیزیک کاربردی دانشگاه جان هاپکینز، به منظور تحقق بخشیدن به پتانسیل کامل MatterGen هدف‌گذاری شده است. این پروژه از همکاری تیمی در Microsoft Research AI برای علم نشأت گرفته، که شامل گروهی متنوع از محققان است.