中国科学院物理研究所/北京凝聚态物理国家研究中心与吉林大学合作，成功开发出一种融合空间群对称性的自回归晶体生成模型——CrystalFormer。该模型是生成式人工智能在材料科学领域的重要突破，旨在解决无机晶体结构生成中的核心挑战。 晶体材料具有天然的对称性先验，其结构由空间群和Wyckoff位置严格定义，这使得传统基于图像或语言的生成模型难以直接适用。研究团队提出，自然界通过化学元素周期表与空间群的Wyckoff位置表共同构建晶体，形成“意料之外、情理之中”的序列化结构表示。CrystalFormer正是基于这一思想，通过学习大量晶体数据库，内化固体化学规律，以序列化方式生成晶体的Wyckoff占位和晶格参数。 该模型利用神经网络参数表达固体化学知识，通过网络激活实现材料空间中的联想推理，并以概率模型的似然函数体现化学直觉，从而探索自然界可能存在的但尚未发现的新晶体结构。与依赖势能面优化的机器学习力场不同，CrystalFormer直接在对称性约束下“猜测”合理结构，具备更强的生成自由度与物理合理性。 CrystalFormer支持无约束探索整个材料空间，也可定向生成具有特定结构特征的晶体。通过与性质预测模型结合，该模型可实现基于贝叶斯公式的材料反向设计，显著提升新材料发现效率。其框架简洁、通用且灵活，首次将晶体的数学对称性与化学直觉统一于一个生成模型中。 相关成果发表于《科学通报》（Science Bulletin），研究得到国家自然科学基金与中国科学院战略性先导科技专项支持。论文配套的基于JAX的开源代码与应用示例已公开，为材料科学领域的研究者提供了高效、可扩展的工具平台。