AI拦截失稳材料设计，芯片散热研发大幅降本

如今，只要AI模型规模足够大，几分钟内就能生成数百万种全新材料设计。但现实是，这并没有催生出大量可实际落地的新材料，用以提升芯片、火箭等产品的性能。造成这种转化落差的原因之一，是现有模型无法可靠考量生成材料的化学稳定性，而不稳定的材料在现实场景中几乎没有使用价值。企业只能投入巨额算力，筛除AI生成的大量不稳定材料，最终可用方案往往寥寥无几。

麻省理工学院（MIT）的研究人员开发出一套框架，可在材料生成的初始阶段介入，大幅提升生成材料的稳定性，同时还能实现目标材料性能。该框架会在算力消耗巨大的生成步骤开始前，确保每一套设计都满足与原子外层电子相关的核心化学规则。研究团队将这套方法命名为CrysVCD（价态约束设计晶体生成器）。

研究论文发表于《Nature Computational Science》。论文显示，借助CrysVCD，多款主流材料模型可以更频繁地满足价电子层规则；经过计算生成的材料中，接近70%可通过严苛的晶格动力学稳定性测试。该方案还可以生成具备特定目标性能的材料，例如高导热材料、高介电常数材料，这类材料对芯片与数据中心至关重要。

该系统的命名，已经体现出研究人员设想的使用方式。“如果材料生成模型相当于DVD碟片，那我们这套工具就是DVD播放器。” 核科学与工程副教授Mingda Li表示，“它可以接入任意模型，不仅是现有的扩散模型，也包括未来的新型模型。只要模型难以生成足够多的稳定材料，它就可以提升材料稳定性。”

参与论文工作的还有MIT材料科学与工程、化学专业博士生Mouyang Cheng SM '26、Weiliang Luo；材料科学与工程专业博士毕业生Hao Tang Ph.D. '26；物理学本科高年级学生Bowen Yu；橡树岭国家实验室研究员Yongqiang Cheng；密歇根州立大学副教授Weiwei Xie；MIT电力工程Carl Richard Soderberg讲席教授Ju Li；MIT化学工程Lammot du Pont讲席教授Heather Kulik。

材料设计效率实现提升

计算材料设计技术已经发展数十年，而AI的进步让业界对其潜力抱有很高期待。其中，反向设计模型备受关注：给定目标材料性能，模型反向输出满足该性能的材料。部分模型采用图像生成领域常见的扩散模型；还有一些使用类似ChatGPT、Claude的大语言模型。但两类方案都很难保证生成材料的化学稳定性，也难以遵循化学物质相互作用的基础原理。

现有解决思路是在生成流程之外增加一层计算，过滤掉不稳定材料。“生成材料结构已经变得很容易。”Mouyang Cheng说，“但验证过程，尤其是稳定性测试环节算力开销巨大。这部分开销占到产出可用材料总算力的90%，往往要耗费数周甚至数月时间。”

算力雄厚的大企业可以承担这样的计算成本，但大量中小企业和科研实验室无力负担，这会限制整个领域的创新。“在资源有限的学术环境下，依靠更巧妙的设计思路，我们同样可以拿到不错的结果。”Kulik解释道，“先做材料生成，再筛选稳定性，效率很低，算力成本高昂。但如果在流程最前端引入语言模型做生成约束，就可以显著提高稳定材料的产出比例。”

该研究由MIT材料科学与工程系、化学系、化学工程系、物理系、核科学与工程系联合开展。研究团队将AI扩散模型与语言模型相结合。流程第一阶段，语言模型输出化学性质合理的化学式；第二阶段，扩散模型基于该化学式，配合底层材料生成模型，输出对应的晶体原子结构。

“传统材料生成的扩散模型速度很慢，生成一种材料需要大约1000步运算。”Luo介绍。

“与之对比，我们这套前置约束模型只需要约5步。它可以提前筛除不稳定结构，产出质量更高的材料，并且兼容所有材料生成模型。”Tang补充。

研究证实，对比生成后再做筛选的传统方案，该方法生成稳定材料的效率高出一个数量级。基于稳定性指标微调后，这套框架生成晶体材料的机械稳定性达到68%，亚稳态（不受外界干扰时维持稳定的能力）达到85%。

研究人员利用该框架生成了高导热、电场下易极化的候选材料。“这类材料可用于半导体行业；高导热材料对数据中心散热意义重大。”Ju Li称，“原则上该框架也可以实现其他性能目标，但导热性如今对数据中心散热格外关键。数据中心能耗暴涨，其中30%的能耗都用于散热，行业迫切需要高导热材料实现更高效的热量导出。”

推动材料设计普惠化

这套方案并不适用于所有类型材料，最适合内部高度有序的固态晶体结构。即便如此，它依然可以生成大量具备关键性能的新型稳定晶体材料。

“我们不只是生成稳定材料，同时兼顾性能指标。”Mouyang Cheng表示，“在本领域，同时达成两项目标，成功率超过50%已经十分难得。过去，研究人员要么追求特定性能而牺牲稳定性，要么优先稳定性，最终同时满足条件的材料占比往往只有个位数。”

总体来看，该技术将帮助更多科研人员开发面向各类下一代应用的新型材料。“省去下游筛选环节，能够节约巨额算力与时间。”Mingda Li说，“无论是需要生成数亿份材料的大型项目，还是面向特定应用的小型研究团队，都能从中受益。”