生成式人工智能模型已经被用于创建庞大的理论材料库，这些材料有望解决各种实际问题。然而，科学家们面临的挑战是如何将这些理论材料成功合成出来。

在许多情况下，材料合成远非厨房中的简单配方。温度、反应时间等工艺参数的微小变化，都会对材料性能产生巨大影响，甚至决定材料能否达到预期效果。这也限制了研究人员对数百万潜在模型生成材料的实验验证能力。

针对这一难题，麻省理工学院的研究人员开发了一种名为DiffSyn的人工智能模型，能够为科学家提供有效的合成路线建议。在最新发表的论文中，研究团队展示了该模型在预测沸石材料合成路径方面达到了业界领先的准确度。沸石材料广泛应用于催化、吸附和离子交换等领域。基于DiffSyn的建议，团队成功合成了一种热稳定性更优的新型沸石材料。

研究人员认为，这一模型有望突破材料发现过程中的最大瓶颈。

麻省理工材料科学与工程系博士生Elton Pan表示：“打个比方，我们知道想做什么样的蛋糕，但目前还不知道如何烘焙。材料合成目前主要依赖领域专家的经验和反复试验。”

近年来，谷歌、Meta等公司在生成式人工智能领域投入巨大，建立了包含大量材料配方的数据库，这些配方理论上具备高热稳定性和选择性气体吸附等优异性能。但实际合成这些材料往往需要数周甚至数月的精细实验，涉及反应温度、时间、前驱体比例等多种参数的调控。

“人类的化学直觉指导实验，但思维方式是线性的。面对五个参数时，通常会固定四个，线性调整一个。而机器能够在高维空间中更有效地推理。”Pan说。

材料合成过程往往是从理论到应用过程中耗时最长的环节。

为此，MIT团队基于过去50年间超过2.3万条材料合成配方训练了DiffSyn模型。训练过程中，研究人员向配方数据中加入随机“噪声”，模型学会去噪并从中采样，寻找潜在有效的合成路径。

DiffSyn采用了扩散模型（diffusion model）技术，这是一种类似于DALL-E图像生成的生成式AI方法。

“扩散模型在推理时，通过逐步去除噪声，将随机噪声转化为有意义的结构。在这里，‘结构’指的是目标材料的合成路线。”Pan解释道。

使用DiffSyn时，科学家输入目标材料结构，模型便会输出一系列有前景的反应温度、时间、前驱体比例等合成方案。

“它就像告诉你如何烘焙蛋糕。你有想法，输入模型，模型给出配方。科学家可以选择最合适的路径，我们的论文中也展示了如何量化这些合成路径的优劣。”

为了验证模型效果，团队用DiffSyn为沸石材料设计了新的合成路径。沸石的合成空间维度极高，结晶过程通常需要数天甚至数周，因此快速找到最佳合成路径的意义尤为重大。

研究人员成功利用DiffSyn建议的路径合成出新型沸石材料，后续测试显示其形态适合催化应用。

“过去科学家只能逐条尝试合成配方，耗时巨大。DiffSyn能在一分钟内采样上千条方案，为全新材料提供极佳的初步合成猜测。”Pan说。

此前的机器学习模型通常是一对一地将材料结构映射到单一配方，忽视了同一材料可能存在多条合成路径的现实。

DiffSyn则实现了一对多映射，更贴合实验实际，显著提升了预测准确度。

未来，研究团队计划将该方法推广到金属有机框架、无机固体等其他材料类别，助力更多复杂材料的合成指导。

“关键是获取不同材料类别的高质量数据。沸石的复杂度已经接近难度上限。最终目标是将智能系统与自动化实验结合，通过实验反馈的智能推理，极大加速材料设计流程。”

本研究得到了MIT国际科学技术计划（MISTI）、美国国家科学基金会、瓦伦西亚自治区政府、美国海军研究办公室、埃克森美孚以及新加坡科技研究局的支持。