本文来自微信公众号： 未来光锥 ，作者：陆子恒，原文标题：《陆子恒：我们用AI穷举了20万种材料，知道了一个价值10亿的问题 | AI for Science沙龙》
发现新材料对人类文明发展非常重要，人类文明的很多时代都是用新材料命名的——石器时代、铜器时代、铁器时代，现在的我们处于由硅驱动的“硅基时代”。一个新材料的发明，代表的不仅仅是这种材料的销售，更是整个产业链甚至人类文明的进步。
高效地设计一个指定性质的新材料，是材料科学家一直以来的理想。过去一两百年里，科学家们发现了不少重磅新材料，比如硅、钙钛矿等很多新材料。但多年以来，找新材料有两类基本问题：
一是，能不能更快地找到更高更快更强的材料？
比如，有没有一种新材料，它的热导率比金刚石更高，能把芯片里的热量散出去？
这个问题非常重要，因为找到这样的材料往往意味着可以对整个行业有所贡献。但它也非常难回答，难度主要在哪里？难度来自于巨大的搜索空间。元素周期表有100多个元素，新材料的组合基本可以认为是无穷无尽的。
二是，这种材料到底是否存在？
比如：在常温常压下，是否存在电子超导体？这个问题决定了我们是不是还要投入一代代科学家、一代代研究生非常辛苦地去找那种"不知道存不存在"的材料。
这是个更尖锐、更本质的问题，很少有人提出来，但经济价值也非常大。过去，没有Al，我们好像对这个问题束手无策。其本质原因还是巨大的搜索空间，以及过于长的统计物理链路。
用碳举例：一个稳定分子、一个有可能被合成的分子或晶体，最基本的要求是它的结构落在一个“能量极小点”上。这张图画的是：随着碳原子数量增加，可能的能量极小点数量怎么变化——这是个超过指数增长的曲线，超过10个原子，数字大得超乎想象，所以我们非常难回答这种存在性问题。
但回过头看过去3、5年，人工智能给我们提供了一个非常好的机会：像AlphaFold、AlphaGo这样的AI模型，最强的能力就是解决这种指数爆炸问题。
理想中的材料模型
理想情况下，想解决上面两个问题，材料模型应该什么样？
第⼀：随便⼀种材料，能不能不做实验就快速、准确、可泛化地把它的属性预测出来？这样等于把看材料的速度提⾼⼏千倍，搜索有价值的材料就更快。
第⼆：我如果拍不出钴酸锂这种厉害的材料怎么办？有没有可能做⼀个AI模型，我给定⼀个性质，它能快速帮我把有这个性质的材料、⼩分⼦找出来？这样就不⽤靠⼈类的灵感了。
先从正向预测说起。在微软期间，我们曾经开发了MatterSim，这个模型要做的事情是，给定任意一种材料，用一个大模型，比较快、可泛化、尽量不靠实验地得知它的性质。
(https://github.com/microsoft/mattersim/)
要建成这样的AI，最核心的能力是泛化性。原因很简单：我们在找新材料的时候，并不知道好材料藏在哪儿。那些真正重磅的材料往往是训练数据里没见过的。理想的材料模型需要对任意元素组合、任意温度、任意人类可控压力下拍脑袋想出来的材料，都能给出靠谱的预测。
那么，这个目标有理论依据吗？原则上，只要知道一个材料在原子级别的非常基本的性质——比如能量、力、波恩有效电荷、磁矩等等——再配上统计物理的手段，就能推导出所有宏观性质。
过去，我们真的试着去做这件事——但非常难。要拿到这些微观性质，必须解薛定谔方程，实际上我们解的是简化后的密度泛函理论方程。方程本身能解，但问题在于：要得到宏观性质，你需要做统计平均、热力学平均，做很多次采样。这么大的计算量带来的结果是：很多时候根本算不动；就算硬算，也是做了大量简化，精度大打折扣。
那有没有可能用AI把这件事给办了？
思路听起来很简单：给定一个结构，原来解方程拿物理性质，现在换成神经网络直接预测。这本质上就是一个有监督学习的问题。但这个思路有一个“bug”——还是泛化性。我要找新材料，可我并不知道新材料长什么样，那我得先做数据、训练一个模型，再拿它去找——这不就成了一个死循环吗？
所以，我们需要的是一个通用到近乎“蛮横”的数据集——不是在某个组分、某个温度、某个压力下能预测，而是在任意元素组合、任意温度、任意人类可控压力下，都能接住我随便拍脑门出来的材料。
下一个问题是，数据集怎么造？
我们用了一套比较朴素但有效的方法：主动学习加局部采样。简单说，就是让机器自己去挑那些“最具代表性”的数据，然后再把这些数据喂给方程去求解、收集结果。这样做下来，对数据量的需求降到了原来的百分之一左右。
即便如此，数据量的绝对值依然非常吓人。当时可以公布的大概是1700万条，最近新挂出来的一篇arXiv论文里已经做到了3500万条——实际上每年还在以近亿的规模往上涨。这就是MatterSim的底气。
(https://arxiv.org/abs/2605.07927v1)
当给定MatterSim一个材料结构，它可以零样本推断出最基本的物理量——能量、力、应力。除此之外，它还能处理电、磁、光等其他模态的性质。
有了这个“硅片上实验”的平台，材料科学家不再需要每次都在炉子前苦等结果。他们可以在计算机里先跑一遍“干实验”，把候选材料从海量的可能性中快速过滤出来，再交给真实的湿实验去验证。这就是MatterSim的核心价值：用AI把材料研发的“试错”变成“筛选”。
于是，一个价值十亿美元的问题可能到了可以触及的程度。
19世纪，人类就发现金刚石热导率很高，而到今天为止，体相材料里基本没有热导率能高于它的。所以一直有个疑问：金刚石是不是就是热导率的上限了？热导率被锁死了吗？
基于此，我们⽤MatterSim去解答这个问题。
19世纪，人类就发现金刚石热导率很高，而到今天为止，体相材料里基本没有热导率能高于它的。所以一直有个疑问：金刚石是不是就是热导率的上限了？热导率被锁死了吗？
基于此，我们用MatterSim去解答这个问题。
刚才提到，原则上我们可以从微观性质+统计平均拿到材料的宏观性质。对散热来说，最关键的过程叫声子散射。过去要做这种统计计算非常慢，但有了MatterSim这种模型之后，计算速度大大提高——因为模型如此之大，精度也非常之高。
原来计算一个晶体热导率要好几周，现在我们能把速度提高到原来的上万倍，并且精度有保证：几分钟、30秒就把热导率做出来，误差还比较小。
有了这个东西，我们就干了一件非常暴力的事。
我们把元素周期表里：所有一元体系、所有任意两个元素的组合、一部分三元素的组合，以及各种化学计量比和各种空间几何结构的组合做了一个暴力穷举。
做了很久，花了很多钱，最终得到了几个结论。我们大概有23-24万个结构“有那么一丁点儿没合成过、且有热导率值得算”的概率，每个材料的热导率我们都算了出来。
结论一：热导率高的材料比例非常低。注意，这是log scale——热导率高于1000的非常稀疏。这也是为什么这么多年来找高热导率材料这么慢，因为实在太稀疏了。
结论二：虽然稀疏，但因为我们做了非常大的穷举，依然能找到一些非常有意思的候选材料。最近有一个TaP、一个TaN，一个是我们找合作伙伴一起合出来了，另一个TaN是UCLA的一个教授合出来的，热导率预估和我们基本接近——这是个非常好的信号，确实合成出了一些热导率比较高的、有可能帮我们做芯片散热的新候选材料。
结论三：刚刚说了，我们做这件事的过程中其实做了一个暴力穷举——用数学的方法叫筛法。所以原则上，在一个给定的置信概率下，金刚石就是最高的。金刚石就在最上面——我们把每一个材料都看了一遍，金刚石就是我们数据库里最高的。
用一个比较技术性的说法：在常温常压下、无机晶体、体相材料里，金刚石基本上就设定了热导率的上限。做了一段时间之后，我们把前面那个前缀去掉了——金刚石基本上就是最高的，大家不用再花时间去找了。这对我们来说，是过去几年觉得做得比较有意义的一个结论。
反向⽣成材料
刚刚讲的是正向模型——它能帮我们看得更快，甚至快到把所有东西看一遍。但有些问题，我们不可能把全空间看完。人类已知的材料大约有20万种，但真正的材料空间高达10¹²量级——模型再快，也不可能全空间扫完。
那能不能更快地找到目标材料？我们用的方式是生成式AI。
团队最早做了一个叫Distributional Graphormer的工作。最初在碳材料和催化剂上做了一个概念验证，结果发现：在图学习加扩散模型的框架下，原则上可以做到“指哪儿打哪儿”——给定一个目标性质，模型就能生成出具有该性质的小分子、小分子晶体或晶体。一旦证实这条路可行，对机器学习来说，后面的事情就相对简单了：做大规模、投入算力——这就是MatterGen。我们把人类合成过的所有无机晶体材料（ICSD），加上数据库里能量较低的一些结构，拿来训练了一个可扩展的扩散模型。
MatterGen有几个鲜明的特点。第一，它是一个在整个周期表上通用的生成模型。第二，它可以按照我们想要的性质进行条件约束生成。比如：
约束化学组分：如果你的实验室里只有碳、钴、氧、锂这几种元素，那就让模型只在这个空间里生成，它就有可能生成出钴酸锂——你不需要自己那么聪明。
约束对称性：比如要求一个四方晶系或者某种特定相，这在统计物理和凝聚态物理研究中比较有用。
约束标量性质：比如要一个不含稀土金属、单位体积下磁密度较高的材料——也就是我们常说的“少稀土金属、供应链稳定的强磁体”——同样可以设计。
不过，MatterGen也有它的局限。这类生成模型虽然有效，但它本质上是在高维隐空间里做插值，并没有真正做外推。这个结论我们目前还没有严格证明，但从长期实践来看确实如此。
那么，有没有办法引入一些外部信号，让生成模型拥有更强的探索性？我们最近做了一个叫GSS（Generative Structure Search）的工作。通过算法改进，这个生成模型在理论上能够覆盖所有可能的材料。模型内部设计了一个可以调节的“旋钮”：把探索性调强一些，搜索会变慢，但能覆盖全空间；把利用性调强一些，生成速度更快，但新颖性会弱一些。有了这个调节机制，我们在很多案例上既获得了极高的搜索效率，又保证了足够的新颖性。
从理想晶体到工业材料
前面讲的MatterSim和MatterGen，处理的全是非常理想的情况——理想晶体、理想小分子，结构完美、成分纯净。这些在学术研究中很有价值，但距离真正能卖得出钱的工业材料，还有一段不小的距离。
为什么会有距离？至少存在两个问题。
第一个问题：前面那类纯模型全部是从零开始训练（train from scratch），人类历史上大量化学家的经验、文献里积累的知识，完全没有办法注入进去。
第二个问题：下游的工艺条件也很难被考虑进去。纯物理模型在这方面天然受限——它知道一个材料在理想状态下性质如何，但不知道在真实的合成环境、掺杂条件、加工工艺下会变成什么样。
那怎么把这些宝贵的先验知识结合进来？
我们几位同事一起做了MatEvolve：它是一套智能体系统（agent system），具备两个核心能力：第一，可以参考文献；第二，可以把化学专家的专业知识结合进去。在这套系统的帮助下，我们用比较少的训练资源就能获得相当强的泛化能力。
做完这个模型之后，我们真的把它用在了下游场景中——用它设计了一个新材料，并且成功合成出来了。具体内容目前还没有完全披露，但这件事本身证明了一条路径：从AI设计到真实材料的闭环是可以走通的。
有了MatEvolve这样的智能体系统，我们实际上获得了一个环境：可以快速把人类历史上的知识注入到AI系统里。这里有一个很大的好处——我们不需要像做大语言模型那样，去做昂贵的中期训练或者强化学习。那些方法比较麻烦，成本也高。而有了智能体，我们可以用相对便宜、效果也不错的方式来做这件事，不用再没有任何先验地从零开始。相反，我们把过去这么多年积累的思路精华结合进来，把工艺条件也一并考虑进去。
这意味着，从理想晶体到工业材料，AI正在一步步填平中间的鸿沟。
最后，我们希望在未来两三年内，真的能做到这样一幕：我作为一名材料科学家，坐在办公室里，随口说一句：“Hey JARVIS，能不能帮我设计一种超级合金，用来制造下一代合金战甲？”
听起来像科幻电影吗？但这件事正在走向现实。
互动提问
Q1：你们得出的“常温下没有热导率超过金刚石的材料”的这个结论，它符合你的预期吗？你觉得可靠吗？
陆子恒：这是个挺有意思的事。我们做这个问题之前，发现凝聚态物理、统计物理、无机化学各个领域里，每个人——甚至非常资深的科学家——对这个问题的认识非常极端化。有的老师非常明确地告诉我们：“这玩意不存在，不用看，肯定不存在，不需要做。”但也有很多人直到今天仍然认为：“不，你不可能穷尽，一定还有新的。”
对我们来说，我们做到的是：在我们指定的空间内——虽然这是一个非常大的空间，也是最有可能存在的空间——以最高的执行概率把它穷尽了，并给出了一个相对较高的置信概率，告诉你在什么情况下这个东西不会存在。这是科学的说法。
但站在我个人角度，我们这个团队做了将近两年，我们的感受是：在常温常压、块体材料里，不太可能突破这个点了。
Q2：你们的模型擅长生成完美晶体，但大部分有用的晶体都是有缺陷或掺杂的，这个问题怎么解决？
陆子恒：很多材料的性质，一大部分内在性质取决于纯净晶体本身；但还有相当一部分——甚至我们非常关心的一部分——恰恰取决于那个非常微量的掺杂。如果你做半导体或者合金领域，这个问题尤其突出。我们在做模型的过程中，其实可以把这种考量做进去。但在筛选材料时，通常分两步走：
第一步，先把母体的、纯净的晶体筛选出来；第二步，再去筛选它的掺杂和各种缺陷的可能性。这些都是能做的。
但是再往后走一层——涉及到宏观、介观的跨尺度建模——到今天为止，我认为要做泛化性强的模型难度还比较大，还没有看到特别好的路。
Q3：10年后的材料实验室会是什么样子？
陆子恒：生物在实验室和AI上的发展比材料早个三四年、四五年，整个市场的进度也是如此。材料实验室的发展阶段差不多，但整体速度可能会稍微快一点，因为生物已经打了一个样板。
不过材料也有自己的难点，材料不像医药——药物的整个管线非常相似，基本上都是从先导化合物到hit到PCC到临床一期、二期、三期。但材料呢，种类非常多。所以真正做通用的材料平台时，会遇到一些困难。
时间上不一定更快，但我对这件事非常有信心——因为市场非常大，市场会催促整个实验流程以最快的速度加速。