直接生成具有最優(yōu)性能的材料結(jié)構(gòu)是材料設(shè)計(jì)領(lǐng)域長期以來的目標(biāo)。傳統(tǒng)的生成式大模型通常難以有效探索全局化學(xué)空間,導(dǎo)致其應(yīng)用局限于局部的空間。
有鑒于此,東南大學(xué)王金蘭教授、周跫樺副教授等報(bào)道提出一個(gè)“通過高效全局化學(xué)空間搜索進(jìn)行材料生成”(MAGECS, Material Generation with Efficient Global Chemical Space Search)的框架,該框架通過將鳥群算法(bird swarm algorithm)和有監(jiān)督圖神經(jīng)網(wǎng)絡(luò)(supervised graph neural networks)進(jìn)行整合實(shí)現(xiàn)了應(yīng)對這個(gè)挑戰(zhàn),使生成模型能夠在龐大的化學(xué)空間中有效尋徑,找到具有目標(biāo)性能的材料。
本文要點(diǎn):
(1)
將MAGECS應(yīng)用于設(shè)計(jì)CO2RR反應(yīng)的合金電催化劑,能夠生成超過25萬個(gè)結(jié)構(gòu),與隨機(jī)生成的方式相比,MAGECS設(shè)計(jì)得到的高活性結(jié)構(gòu)比例(35%)提高了2.5倍。合成并表征了五種預(yù)測的合金:CuAl、AlPd、Sn2Pd5、Sn9Pd7和CuAlSe2,其中兩種合金在CO2RR反應(yīng)的法拉第效率達(dá)到~90 %。
(2)
這項(xiàng)工作突出的展示了MAGECS在開發(fā)創(chuàng)新功能材料開發(fā)方面的潛力,為完全自動(dòng)化、由人工智能驅(qū)動(dòng)的材料設(shè)計(jì)鋪平了道路。
參考文獻(xiàn)
Song, Z., Fan, L., Lu, S. et al. Inverse design of promising electrocatalysts for CO2 reduction via generative models and bird swarm algorithm. Nat Commun 16, 1053 (2025).
DOI: 10.1038/s41467-024-55613-z
https://www.nature.com/articles/s41467-024-55613-z