上海交大团队研发CGformer：突破AI材料设计“近视”瓶颈，打造新一代研发加速器

传统材料研发依赖长时间的实验试错，周期长达数年甚至数十年，成本高昂且效率有限。如今，人工智能正重塑这一领域，凭借强大的计算与筛选能力，有望将研发周期从“年”缩短至“天”。然而，当前主流AI模型普遍存在“近视”问题——仅关注原子间的局部相互作用，难以捕捉决定材料宏观性能的长程关联。为突破这一瓶颈，上海交通大学人工智能与微结构实验室（AIMS-Lab）李金金教授团队研发出全新算法CGformer，显著提升新材料性能预测的准确性，推动材料研发进入高效智能化时代。 该团队指出，现有广泛使用的晶体图神经网络（CGCNN）如同“脸贴在巨画上”的观察者，只能逐点分析局部结构，无法把握整体信息。而材料的关键性能，如离子传输效率，往往由原子间的全局协同作用决定。若模型缺乏“远见”，预测结果将大打折扣，甚至误导研发方向。 针对这一核心缺陷，研究团队将自然语言处理领域成功的Transformer架构引入材料科学，创新性地构建CGformer。其核心在于引入“全局注意力”机制，使每个原子能在一步之内与所有其他原子直接通信，实现全图范围的信息交互，相当于将“邻里私语”升级为“全场广播”。这一设计突破了传统模型的局部感知局限，赋予AI“远视”能力。 然而，如何让Transformer理解晶体的物理本质，是技术难点。为此，团队设计了多重物理编码：空间编码刻画原子间真实距离与位置关系，中心性编码评估原子在结构中的关键程度，边编码则融合化学键类型与长度等信息。通过这一融合，CGformer既保留了晶体图的物理直观性，又具备强大的全局建模能力。 为验证其性能，团队聚焦高熵材料——一种在单一晶格位点掺入多种元素的复杂体系，其高构型熵带来优异稳定性与潜力，但结构高度无序，数据稀缺，是检验AI模型能力的“试金石”。在高熵钠离子固态电解质（HE-NSEs）研究中，CGformer将预测误差平均降低25%，并从14.9万个候选结构中精准筛选出18种最优材料。实验验证显示，其中6种成功合成，均形成预期的单相NASICON结构，室温钠离子电导率达0.093至0.256 mS/cm，显著优于传统材料。 这一从计算预测到实验验证的完整闭环，标志着AI驱动材料发现迈入新阶段。CGformer不仅是一次算法突破，更构建了一个可扩展、可迁移的智能研发框架，适用于固态电解质、电极材料、热电材料、光催化剂等多种先进功能材料的快速探索。 在全球“AI+材料”竞争日益激烈的背景下，中国正从技术应用迈向源头创新。CGformer的诞生，正是中国科研力量致力于解决基础性瓶颈、贡献“中国方案”的生动体现。尽管在通用数据库与软件生态方面仍有提升空间，但持续的自主创新正加速缩小差距。未来，这一类智能平台将成为材料研发的“超级加速器”，助力中国在新一轮科技革命中占据关键位置。