AI-Algorithmus CGformer beschleunigt Materialentwicklung durch globale Analyse

上海交通大学人工智能与微结构实验室（AIMS-Lab）李金金教授团队开发出新型AI材料设计算法CGformer，突破传统人工智能在材料预测中“近视”缺陷，显著提升新材料研发效率与精度。传统材料研发依赖大量实验试错，周期长达数年，成本高昂。尽管AI技术已开始介入，但主流模型如晶体图神经网络（CGCNN）仅能捕捉原子间的局部邻域信息，难以反映长程相互作用对材料性能（如离子迁移率）的关键影响，导致预测偏差大。为解决这一瓶颈，团队创新性地将自然语言处理中表现卓越的Transformer架构引入材料科学，构建CGformer——一种融合全局注意力机制与晶体图结构表征的新型神经网络。该算法通过“全息通讯网络”实现原子间跨距离的即时信息交互，突破局部感知限制，具备捕捉全局结构特征的能力。为使Transformer理解晶体的物理本质，团队设计了空间编码、中心性编码与边编码等多重物理先验，使模型既能保持结构直观性，又拥有强大的长程建模能力。在高熵钠离子固态电解质（HE-NSEs）这一复杂体系中，CGformer展现出卓越性能：相比CGCNN，其预测平均绝对误差降低25%，并从14.9万个候选材料中高效筛选出18种高潜力结构。经实验验证，其中6种材料成功合成，均呈现预期的单相NASICON结构，室温钠离子电导率达0.093–0.256 mS/cm，显著优于传统材料。该成果标志着从AI预测到物理实现的闭环验证，验证了算法的可靠性与实用性。CGformer不仅为固态电池等关键材料研发提供高效“加速器”，更构建了一个可扩展、可迁移的智能材料发现框架，适用于热电、光催化等多种功能材料。这一突破体现了中国在“AI+材料”交叉领域的源头创新能力，正从技术应用迈向基础算法创造，助力全球材料科学范式变革。业内专家指出，CGformer代表了AI驱动材料发现的新范式，其全局建模能力为解决复杂多体相互作用问题提供了通用工具，有望推动材料研发进入“预测—设计—验证”一体化时代。尽管在通用数据库与软件生态方面仍有提升空间，但中国正通过持续创新，贡献具有国际影响力的“中国方案”，在新一轮科技竞争中占据主动。