微软发布了内部孵化的AI模型MatterGen，该模型基于60万条材料数据训练，旨在设计新型无机材料。MatterGen能够处理材料的周期性和三维结构，模拟图像生成模型的去噪过程，从随机结构中生成稳定且符合特定要求的材料。该模型极大提高了材料设计效率，相比传统试错方法，能更快速地找到具有特定性能的材料。研究团队已与中科院合作，成功合成新材料TaCr₂O₆，其性能与设计目标接近，有望应用于储能电池等领域。

🔬MatterGen模型基于60万条稳定材料数据训练，这些数据来自Materials Project和Alexandria等权威数据库，确保了模型的可靠性和准确性。

⚙️该模型能够处理材料的周期性和三维几何结构，模拟图像生成模型的去噪过程，从随机结构中逐步生成稳定且符合特定要求的材料，这使得材料设计过程更加高效和精确。

🧪MatterGen模型不仅可以生成具有特定化学性质的材料，还能生成具有特定机械性和磁性的材料，这为材料科学研究提供了更大的可能性。

⚡️微软MatterGen研究团队与中科院合作，成功合成新材料TaCr₂O₆，实验测得的模量为169 GPa，接近设计目标，验证了模型的有效性，并展示了其在储能电池等领域的应用潜力。

IT之家 1 月 17 日消息，微软 CEO 纳德拉在 X 平台发文，公布了微软内部孵化的一款名为 MatterGen 的 AI 模型，该模型基于 60 万条稳定材料数据进行训练，数据来自 Materials Project 和 Alexandria 等权威数据库，主要用于设计新型无机材料，相关研究成果现已登上《Nature》期刊。

IT之家参考报告获悉，MatterGen 模型能够处理材料的周期性和三维几何结构，模拟图像生成模型的去噪过程，从随机结构中逐步生成稳定且符合特定要求的材料，科学家可以利用其生成具有特定化学性、机械性、磁性等多种规格的材料，相对于依赖大量试错实验的传统材料设计方法具有极高效率。

研究人员举例，在寻找高模量大于 400 GPa 的材料时，传统筛选方法通常需要筛选约 40 个候选材料才能达到性能瓶颈，而 MatterGen 能够持续生成新颖且稳定的候选材料，其生成规模可达传统方法的两倍以上。

目前，微软 MatterGen 研究团队已与中国科学院深圳先进技术研究院合作，成功合成了新材料 TaCr₂O₆。该材料在设计时的目标模量为 200 GPa，实验测得的模量为 169 GPa，误差低于 20%，相应材料可用于打造成本更低的储能电池。