上海交大团队推出CGformer：突破AI材料设计“近视”瓶颈，以全局注意力重塑新材料预测精度

人工智能正以前所未有的速度重塑材料科学的研发范式，而上海交通大学人工智能与微结构实验室（AIMS-lab）团队近期推出的CGformer模型，标志着这一进程中的关键突破。该模型通过引入Transformer的全局注意力机制，成功破解了传统晶体图神经网络长期存在的“近视”瓶颈，实现了对晶体结构的全图感知，显著提升了新材料性能预测的精度与效率。 在材料研发中，晶体图神经网络如CGCNN、ALIGNN等曾是主流工具，其核心逻辑是通过近邻原子间的信息传递来推断材料性质。然而，这种局部交互机制导致模型无法捕捉长程原子相互作用，而这些作用恰恰决定了材料的离子导电性、热稳定性等关键性能。这一局限使得AI预测在面对复杂无序体系时表现乏力，严重制约了新材料的发现效率。 针对这一难题，CGformer团队提出全新架构：在保留晶体图表示的基础上，融合Graphormer的全局注意力机制，使每个原子能够直接与图中所有其他原子进行信息交互，突破了传统“接力式”信息传递的物理边界。这一设计如同将“邻里对话”升级为“全场广播”，赋予模型真正的全局视野。 为增强模型的物理可解释性，CGformer还创新性地引入中心性编码、空间编码与边编码，综合考虑原子的拓扑位置、实际距离及化学键特性，从而精准捕捉长程协同效应。在性能验证中，CGformer在标准数据集上的平均绝对误差（MAE）较CGCNN降低25.7%（训练集）和近10%（测试集），在与ALIGNN、SchNet等先进模型的对比中同样表现优异。 研究团队以高熵钠离子固态电解质（HE-NSEs）为“试金石”——这类材料结构高度无序，对全局感知能力要求极高。CGformer仅用238个新计算数据进行微调，便在交叉验证中实现0.0361的极低MAE，展现出强大的小样本学习能力。最终，基于该模型从超过14万种组合中筛选出6种候选材料并成功合成，其室温离子电导率高达0.256 mS/cm，远超现有基准材料。 这项成果发表于顶级期刊Matter，由李金金教授与黄富强教授共同通讯，博士生陶科豪与李佳聪为共同第一作者。CGformer不仅是一次算法革新，更代表了一种“以物理问题驱动AI设计”的新范式：从理解材料本质出发，构建更具物理意义的模型，并在真实挑战中验证其价值。 未来，CGformer所构建的可迁移框架有望广泛应用于锂离子导体、热电材料、光催化等领域，推动AI驱动材料科学迈向更广阔的应用前景。作为AI+材料交叉研究的先行者，AIMS-lab持续构建“算法研发—平台开发—产业验证”全链条创新体系，已推出AlphaMat、AphlaBio等百余款专业软件，并打造全球首个时间维度AI工业大脑ManuDrive，助力中小企业实现低成本、高效率的智能制造转型。