傳統材料研發往往需要數年甚至數十年的“試錯”實驗，成本高昂且效率低下。如今，人工智能正在改變這一局面，它強大的計算和篩選能力，有望將研發周期從“年”縮短至“天”。然而，在實際應用中，現有的 AI 模型卻普遍存在一個根本性缺陷——“近視”。

為了攻克這一難題，上海交通大學人工智能與微結構實驗室（AIMS-Lab）李金金教授團隊開發了一種名為 CGformer 的全新 AI 材料設計算法。該算法從根本上革新了 AI 模型處理晶體結構信息的方式，顯著提升了新材料性能預測的精準度。

日前，相關成果以《CGformer：基于全局注意力機制增強的晶體圖 Transformer 網絡用于材料性能預測》（CGformer: Transformer-enhanced crystal graph network with global attention for material property prediction）為題發表于Matter

“我們開發這個新算法，是為了解決現有 AI 在設計新材料時的一個根本性缺陷——‘近視’問題，”李金金向 DeepTech 解釋道。她將當時主流的 AI 材料設計模型，如應用廣泛的晶體圖神經網絡（CGCNN, Crystal Graph Convolutional Neural Network），比作一個臉貼在巨畫上的人，“只能一小塊一小塊地看，無法退后一步看到整幅畫的全貌。”

（上海交通大學人工智能與微結構實驗室）

具體來說，CGCNN 這類模型的核心工作方式是讓每個原子與其緊鄰的幾個原子“對話”，信息只能在局部鄰居之間傳遞。然而，材料的許多關鍵宏觀性能，例如電池中離子的傳輸效率，恰恰是由原子之間長距離、全局性的相互作用決定的。如果 AI 模型是個“近視眼”，它就無法捕捉這些決定性的全局信息，做出的性能預測精度自然會大打折扣，甚至可能導致研發方向的錯誤。

CGformer 的誕生，源于一個明確的需求和一個前沿的工具。需求端是團隊深刻認識到晶體圖網絡的“近視”缺陷是制約其發展的核心瓶頸；而在工具端，他們看到了在自然語言處理等領域大放異彩的 Transformer 架構。Transformer 的核心優勢在于其“全局注意力”（Global Attention）機制，能夠高效處理長程依賴關系，這與材料科學中需要解決的長程原子相互作用問題不謀而合。

圖丨工作流程圖（Matter）

“我們將這種先進的全局注意力范式，創造性地引入到晶體結構預測中，與 CGCNN 所代表的晶體圖表征方法進行深度融合，”李金金說。CGformer 由此誕生，它在晶體結構內部建立了一個“全息通訊網絡”，允許圖中的每一個原子在一步之內，直接與所有其他任何一個原子進行信息交互，無論它們之間相隔多遠。這就好比把“鄰里間的竊竊私語”升級成了“覆蓋全場的同步廣播”。

不過，將兩種看似不同領域的 AI 技術結合起來并不簡單。最大的技術挑戰在于如何讓 Transformer 的注意力機制“理解”晶體結構的物理信息。一個普通的圖結構沒有三維空間和化學鍵這些物理概念。

為了解決這個挑戰，團隊獨創性地設計并集成了多種物理編碼，包括告訴模型原子間真實空間位置和距離關系的“空間編碼”，讓模型理解每個原子在整個晶體拓撲結構中重要性的“中心性編碼”，以及將化學鍵類型、長度等特征納入計算的“邊編碼”。通過這次深度改造和創新，CGformer 既保留了晶體圖在描述材料結構上的物理直觀性，又通過全局注意力機制，具備了前所未有的全局信息處理能力。

圖丨 CGformer 架構示意圖（Matter）

為了驗證新算法的實際性能，團隊選擇了一個極具挑戰性的研究體系——高熵材料。所謂“高熵”材料，是在同一個晶體位置上同時引入多種（通常為四種或更多）不同元素，進行“雞尾酒式”混合摻雜的材料設計策略。這種多元素混合極大地增加了材料內部的“混亂度”（即構型熵），但這種高度的無序狀態，反而可能帶來更穩定的結構和更優異的性能。

選擇高熵材料，李金金解釋說，這既是因為其復雜的結構和性能高度依賴全局作用，是檢驗 CGformer“全局視野”能力的終極考場；也是因為這類材料的有效數據極其稀缺，可以嚴苛地檢驗算法在小樣本條件下的學習能力。更重要的是，高熵材料在固態電解質等儲能領域展現出巨大應用潛力，一旦突破將價值重大。

在高熵鈉離子固態電解質（HE-NSEs, High-entropy Na-ion Solid-state Electrolytes）的研究中，CGformer 展現出了卓越的性能。與 CGCNN 相比，CGformer 在預測精度上實現了 25% 的平均絕對誤差（MAE, Mean Absolute Error）降低。更重要的是，研究團隊利用 CGformer 從一個包含 148,995 個潛在候選材料的巨大化學空間中，成功篩選出 18 種最有應用前景的材料。

圖丨 CGformer 與 CGCNN 效果對比圖（Matter）

團隊通過嚴格的篩選流程最終將化學空間縮小到近千個相對穩定的結構。之后，利用無監督分層聚類方法，這些結構被分為 20 個小組，其中一組因包含最高比例的低離子遷移能壘結構而被確定為重點研究對象。

實驗結果證明了 CGformer 的出色能力。研究團隊成功合成了 6 種由 CGformer 預測出的頂級候選材料，并通過 X 射線衍射、掃描電鏡能譜分析和阻抗譜等技術手段進行了全面表征。結果顯示，所有材料均形成了預期的單相 NASICON 結構，其室溫下的鈉離子電導率達到了 0.093 至 0.256mS/cm 的范圍，性能顯著優于未經過高熵設計的對照樣品。

圖丨所選 HE-NSEs 的實驗驗證（Matter）

在看到這個結果時，整個團隊都相當振奮，“當計算模型告訴你這 6 種材料最好，而你最終在實驗中證實了這一點時，這種從數字世界到物理世界的完美閉環，是對我們工作最大的肯定”，李金金表示。

而這項成果的意義不僅在于找到了幾種新材料，更重要的是，團隊建立了一個可擴展、可遷移的框架，讓材料發現的過程變得更快、更高效、更系統化。在產業應用方面，這個平臺最直接的價值就是成為新一代材料研發的“加速器”，用于快速篩選下一代固態電解質、高性能正負極材料，其可遷移性還意味著能夠應用到熱電材料、光催化劑等其他先進功能材料的探索。

放眼全球，“AI+材料”正成為驅動下一代技術變革乃至產業革命的核心引擎之一，并已成為全球科技競爭的前沿陣地。

而在這場競爭中，中國正處在一個高速發展和奮起直追的階段。李金金以團隊的工作為例，指出中國的研究力量正致力于從根源上進行算法創新，去解決材料科學中的基礎性、瓶頸性問題。“這代表了我們在這一交叉領域，正從‘應用’走向‘創造’，致力于掌握核心能力。”

當然，她也坦言，在通用數據庫建設、軟件生態成熟度等方面仍面臨挑戰，但這些差距正在快速縮小。更重要的是，像 CGformer 這樣的研究，正是中國為解決全球性共同挑戰所貢獻的“中國方案”。通過持續的源頭創新，中國有能力在這個決定未來的賽道上，扮演越來越重要的角色。

參考資料：

1.https://www.cell.com/matter/abstract/S2590-2385(25)00423-0

運營/排版：何晨龍