Materiaalinnovaatiot ovat ratkaisevia teknologisille läpimurroille, kuten osoittaa litiumkobolttioksidin keksiminen, joka on nykyisten matkapuhelimien ja sähköautojen litiumioniakkujen perusta. Materiaalinnovaatiot ovat myös olennaisia tehokkaille aurinkokennoille, taloudellisille energian varastointiakuille ja CO2-kierrätykselle. Perinteisesti uusien materiaalien löytäminen on vaatinut kallista kokeilemista, mutta laskennallinen seulonta on nopeuttanut tätä arvioimalla laajoja materiaalitietokantoja. Nature-lehdessä kuvattu MatterGen tuo uudenlaisen lähestymistavan materiaalien löytämiseen generatiivisen tekoälyn avulla. Seulonnan sijaan MatterGen luo materiaaleja suoraan tiettyjen sovellusvaatimusten perusteella, mahdollistaen materiaalien suunnittelun halutuilla ominaisuuksilla. Tämä generatiivinen tekoälytyökalu tukee tehokasta tuntemattomien materiaalialueiden tutkimista. MatterGen käyttää diffuusiomallia materiaalin kolmiulotteisissa geometrioissa, luoden rakenteita säätämällä satunnaisesti alkuaineiden paikkoja. Se on koulutettu 608 000 stabiilin materiaalin datalla ja voidaan hienosäätää nimetyillä tietokannoilla tuottamaan uusia materiaaleja, jotka on räätälöity kemian, symmetrian ja eri ominaisuuksien mukaan.

Toisin kuin perinteinen seulonta, MatterGen pääsee tutkimattomiin materiaaleihin ja jatkaa uusien ehdokkaiden tuottamista tietyillä piirteillä. MatterGen esittelee uuden rakenteita vastaavan algoritmin käsittelemään koostumuksellista epäjärjestystä—tilannetta, jossa atomit vaihtavat paikkoja materiaalissa. Tämä algoritmi määrittelee uutuuden arvioimalla, edustavatko rakenteet samaa koostumuksellisesti epäsäännöllistä mallia. Kokeellinen vahvistus sisälsi uuden materiaalin, TaCr2O6, synteesin, joka osoitti MatterGenin ennusteiden kanssa läheisesti vastaavia tuloksia. MatterGen täydentää tekoälysovellusta MatterSim muodostaen "vauhtipyörän", joka nopeuttaa sekä materiaalien simulointia että tutkimista, mahdollistaen parannuksia esimerkiksi akkujen, magneettien ja polttokennojen sovelluksissa. MatterGen-malli, lähdekoodi ja data on julkisesti saatavilla MIT-lisenssillä. Tulevaisuudessa yhteistyö, esimerkiksi Johns Hopkins University Applied Physics Laboratory -yksikön kanssa, pyrkii saavuttamaan MatterGenin täyden potentiaalin. Tämä projekti syntyi Microsoft Research AI for Science -tiimin yhteistyöstä, johon kuului monimuotoinen tutkijajoukko.