Materialinnovasjon er avgjørende for teknologiske gjennombrudd, som vist ved oppdagelsen av litium koboltoksid, som ligger til grunn for de nåværende litium-ion-batteriene som driver mobiltelefoner og elbiler. Materialinnovasjon er også essensiell for effektive solceller, økonomiske batterier for energilagring og CO2-resirkulering adsorbenter. Tradisjonelt innebærer det å finne nye materialer kostbar prøving og feiling, men datamaskinbasert screening har akselerert denne prosessen ved å evaluere omfattende materialdatabaser. MatterGen, omtalt i en artikkel i Nature, presenterer en ny tilnærming til materialforskning ved å bruke generativ AI. I stedet for å screene materialer, skaper MatterGen dem direkte basert på spesifikke applikasjonskrav, og gjør det mulig å designe materialer med ønskede egenskaper. Dette generative AI-verktøyet støtter effektiv utforskning utover kjente materialer. MatterGen bruker en diffusjonsmodell som opererer på materialers 3D-geometrier, og genererer strukturer ved å justere posisjonene og elementene i en tilfeldig oppsett. Det er trent med data fra 608, 000 stabile materialer og kan finjusteres med merkede datasett for å generere nye materialer tilpasset kjemi, symmetri og ulike egenskaper.

I motsetning til tradisjonell screening, får MatterGen tilgang til uutforskede materialer og fortsetter å generere nye kandidater med spesifikke trekk. For å adressere sammensetningsforstyrrelser—hvor atomer bytter posisjoner innen et materiale—innfører MatterGen en ny strukturmatchende algoritme. Denne algoritmen omdefinerer nyhet ved å vurdere om strukturer representerer variasjoner av den samme sammensetningsforstyrrede malen. Eksperimentell validering involverte syntese av et nytt materiale, TaCr2O6, som viste resultater som samsvarer tett med MatterGens forutsigelser. MatterGen utfyller AI-emulatoren MatterSim, og danner et «svinghjul» som akselererer både simulering og utforskning av materialer, og potensielt forbedrer applikasjoner i batterier, magneter og brenselceller. MatterGen-modellen, kildekoden og dataene er offentliggjort under MIT-lisensen. Ser fremover, fortsetter arbeidet med samarbeidspartnere, som ved Johns Hopkins University Applied Physics Laboratory, for å realisere MatterGens fulle potensial. Dette prosjektet oppstod fra teamarbeid hos Microsoft Research AI for Science, og involverte en mangfoldig gruppe forskere.