MIT将价态约束前置，材料生成前先让AI学会化学规则

编辑丨%

现在的生成式 AI 已经可以在很短时间里提出大量新的晶体材料。

扩散模型能够从随机噪声出发，逐步生成原子排列和晶格结构；语言模型则可以从元素组成出发，探索新的化学组合。像 DiffCSP、MatterGen 这样的模型已经证明，AI 确实能够在巨大的材料空间里生成过去数据库中没有出现过的候选结构。

但实际上，一种真实的新材料还需要在化学价态与电荷平衡上达成稳定。所以眼下的材料生成，绝大部分时间还是浪费在了材料的筛选中。

MIT 团队开发了一个新框架，可以在材料生成初期应用，大幅提升稳定性率，同时实现目标材料性能。它通过确保每个设计在昂贵的生成步骤开始前，满足与材料原子周围电子相关的某些关键化学规则来实现。研究人员称其为 CrysVCD。

相关研究以「Enhancing materials discovery with valence-constrained design in generative modeling」为题，于 2026 年 8 月 26 日发表在《Nature Computational Science》。

论文链接：https://www.nature.com/articles/s43588-026-01037-2

学习之后再安排

研究团队提出的 CrysVCD，全称是Crystal generator with Valence-Constrained Design，它为晶体扩散生成模型的整个流程增加了一个前置环节。

CrysVCD 首先使用一个基于 Transformer 的元素语言模型生成材料组成，研究人员进一步把元素按照不同氧化态编码。例如，同样是铁，Fe²⁺ 和 Fe³⁺ 会被视为不同的元素；氧则以相应的负价态进入表示。

这样处理后，模型在生成时就会同时思考下一个元素的种类、价态，与材料组成后的电荷平衡情况。因此，一个像 Fe₃O₄ 这样的组成可以自然地表示为不同价态的铁与氧共同组成的电荷平衡体系。

图 1：CrysVCD 概述。

下一个阶段，扩散模型将会利用在上个阶段产生的化学有效公式，与底层材料生成模型协调生成晶体材料对应的原子结构。

图 2：CrysVCD 架构与训练策略。

论文认为，这种拆分还有一个直接好处：化学规则可以在最开始就完成快速检查，而不是等完整晶体生成以后再进行昂贵的后处理。这并不要求整个材料生成系统换掉原有的扩散模型，它可以作为一个前置组件接入不同的生成框架。

稳定性判断

不过解决了价态平衡后事情还不算结束。一个晶体即使化学式完全合理，也可能在热力学上不稳定，或者在动力学上存在明显的不稳定模式。因此，研究团队接下来让 CrysVCD 面对两个不同层面的稳定性判断。

一个是形成能与凸包之间的距离，也就是E_hull。

可以把它简单理解成：这个材料相对于已知稳定材料体系，是不是处在一个容易「掉下去」的高能状态。

另一个则是声子稳定性。

如果晶体的声子谱中出现虚频，通常意味着它存在某种结构扰动方向，会让当前晶格发生失稳。

找到了这两个需要重视的目标后，CrysVCD 采用了一套主动学习闭环，这种流程用于稳定性条件生成，让 CrysVCD 逐步偏向更可靠的晶体空间。

图 3：CrysVCD 生成晶体的热力学和声子稳定性。

在稳定性指标上进行精细调校后，这种方法产生了晶体材料，实现了 68% 的机械稳定性和 85% 的亚稳态，后者衡量材料在未受干扰时是否保持稳定状态。研究人员随后利用该方法生成了具有高热导率且在电场中易极化的材料候选物。

高价值材料性能

高热导材料对于电子器件的散热非常重要，但寻找这类材料并不容易。

传统方法可以从已有数据库里进行高通量筛选，但真正具有高本征晶格热导率的材料并不多。金刚石的热导率非常高，却存在成本等现实限制；此前一些生成式方法也主要集中在碳的同素异形体上。

研究团队先根据声子输运的物理规律，对 MP-20 数据集进行筛选。他们保留了较轻的元素、较强的共价或混合键合以及少于 12 个原子的简单晶胞，同时排除金属和气相物种。

这些条件实际上把专家对于高热导材料的经验，转化成了生成模型可以学习的数据分布。最后团队得到了六方晶系 GeC，据模型预测，它的晶格热导率达到了183 W·m⁻¹·K⁻¹。进一步计算显示，GeC 同时拥有2.34 eV 的宽带隙，并且声子谱中存在明显的声学—光学支之间的间隙。

图 4：利用 CrysVCD 生成高性能功能材料。

研究团队表示，这些材料对半导体行业非常有用，因此原则上，使用者也可以用它们来创造其他性能，但很显然导热性在数据中心冷却中更为重要。该行业的能源消耗近些年来大幅增加，其中 30% 用于制冷。因此，半导体行业需要具有高导热性的材料，以更高效地散热。

仍未逃出数据的边界

CrysVCD 的能力也并不是无限的。目前的训练数据主要来自 MP-20，因此它覆盖的化学空间本身就存在限制，包括镧系元素、锕系元素、分子晶体以及沸石、MOF 等复杂结构都没有被充分纳入。

所以，CrysVCD 解决的是生成过程中的约束问题，并没有解决训练数据覆盖不足的问题。如果训练数据一开始就不包含某些材料，那么模型也会将其忽视掉。

尽管如此，该方法仍可用于生成具有多种重要特性的稳定新型晶体材料。关于稳定性的讨论将会在未来使更多研究人员能够开发出适用于多种下一代应用的新型材料。

https://news.mit.edu/2026/ai-helps-design-new-materials-that-work-in-real-world-0826