Il modello è stato addestrato su oltre 600.000 materiali stabili provenienti dai database Materials Project e Alexandria. Grazie a questa vasta base di conoscenze e a una nuova architettura di rete neurale, MatterGen raggiunge prestazioni allo stato dell'arte nella generazione di materiali stabili, unici e innovativi.
Una caratteristica chiave di MatterGen è la sua capacità di essere messo a punto per generare materiali con proprietà specifiche. I ricercatori hanno dimostrato la sua efficacia nel produrre strutture con determinate caratteristiche chimiche, di simmetria, elettroniche, magnetiche e meccaniche.
Vantaggi rispetto ai metodi tradizionali
Il principale vantaggio di MatterGen rispetto alle tecniche di screening è la sua capacità di accedere all'intero spazio dei materiali sconosciuti. Mentre i metodi tradizionali si esauriscono dopo aver esaminato tutti i candidati noti, MatterGen continua a generare nuove strutture innovative che soddisfano i requisiti di progettazione.Ad esempio, nella ricerca di materiali con un modulo di compressibilità superiore a 400 GPa, MatterGen ha continuato a produrre nuovi candidati anche dopo che lo screening aveva esaurito tutte le opzioni note.
Validazione sperimentale
Per verificare le capacità di MatterGen, i ricercatori hanno collaborato con il team del Prof. Li Wenjie dello Shenzhen Institutes of Advanced Technology per sintetizzare un nuovo materiale proposto dal modello: il TaCr2O6.La struttura del composto sintetizzato in laboratorio corrisponde a quella generata da MatterGen, con la differenza del disordine composizionale tra Ta e Cr. Inoltre, il modulo di compressibilità misurato sperimentalmente (169 GPa) si avvicina molto al valore target di 200 GPa utilizzato come specifica di progettazione, con un errore relativo inferiore al 20%.
Potenziali applicazioni
Se risultati simili potranno essere replicati in altri ambiti, MatterGen avrà un impatto profondo sulla progettazione di batterie, celle a combustibile e altri materiali avanzati. Il modello può lavorare in sinergia con MatterSim, un emulatore AI per la simulazione rapida delle proprietà dei materiali, creando un circolo virtuoso per accelerare sia la simulazione che l'esplorazione di nuovi candidati.Christopher Stiles, scienziato computazionale del Johns Hopkins University Applied Physics Laboratory, ha commentato: "Siamo interessati a comprendere l'impatto che MatterGen potrebbe avere sulla scoperta di materiali. Ci dedichiamo all'esplorazione di strumenti con il potenziale di far progredire la scoperta di nuovi materiali innovativi per le nostre missioni".
Disponibilità pubblica
Per massimizzare l'impatto sulla ricerca sui materiali, Microsoft ha deciso di rendere MatterGen disponibile pubblicamente. Il codice sorgente del modello è stato rilasciato con licenza MIT, insieme ai dati di addestramento e messa a punto.I ricercatori invitano la comunità scientifica a utilizzare e sviluppare ulteriormente il modello, aprendo nuove possibilità nel campo della progettazione computazionale dei materiali.
Con questo approccio innovativo basato sull'AI generativa, MatterGen promette di rivoluzionare il processo di scoperta di nuovi materiali, con potenziali applicazioni in settori chiave come l'energia, l'elettronica e la sostenibilità ambientale. La collaborazione tra intelligenza artificiale e scienza dei materiali apre scenari entusiasmanti per affrontare alcune delle sfide tecnologiche più pressanti del nostro tempo.