Zach Winn | MIT News · 2026-02-02

生成式AI帮助科学家合成复杂材料

摘要

MIT研究人员开发了名为DiffSyn的生成式AI模型，专门用于解决材料发现过程中的合成瓶颈。该模型基于扩散算法，在23000多个历史材料合成配方上训练，能够根据目标材料结构自动生成最优合成路径建议。团队成功利用该模型合成了具有改进热稳定性的新型沸石材料，证明了AI指导材料合成的巨大潜力，为加速材料从理论设计到实际应用提供了新范式。

内容框架与概述

文章开篇指出当前材料科学面临的核心矛盾：生成式AI已能创建海量理论材料库，但实际合成仍依赖大量试错和专家经验。MIT团队开发的DiffSyn模型正是为解决这一瓶颈而生，它将材料结构映射到多种可能的合成路径，实现了从一到多的范式转变。研究人员使用超过50年积累的23000余篇论文中的合成数据进行训练，模型在推理阶段能够在一分钟内生成上千条候选合成方案。实验结果表明，DiffSyn在沸石材料上达到了最先进的预测精度，并成功指导合成了新型沸石，展现出改进的热稳定性和催化应用前景。

核心概念及解读

DiffSyn模型：MIT开发的生成式AI模型，专门用于推荐材料合成路线，通过去噪机制将噪声转化为具体的合成参数组合。扩散模型：一种生成式AI技术，通过迭代去除噪声从随机分布中提取有意义结构，DiffSyn借此学习合成路径的分布。沸石材料：一类多孔晶体材料，广泛用于催化、吸附和离子交换，合成复杂度高、周期长，是测试模型性能的理想对象。材料合成配方：包含反应温度、时间、前驱体比例等关键参数的实验条件组合，DiffSyn学习从材料结构预测这些参数。高维合成空间：材料合成涉及多个相互关联的参数维度，传统方法难以系统探索，AI模型擅长在此类空间中寻找最优解。