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，成功开发出一种基于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，旨在解决传统方法难以有效建模晶体材料内在对称性的问题。晶体作为高度有序的固体结构，其形成遵循严格的对称性规律，由空间群和Wyckoff位置共同决定。自然界通过元素周期表与空间群的Wyckoff位置表“组合”出稳定晶体，这一过程隐含了深刻的化学与物理规律。CrystalFormer正是基于这一思想，将晶体结构转化为一种“意料之外、情理之中”的序列化表示，即通过逐步预测原子在Wyckoff位置上的占据情况与晶格参数，实现晶体结构的生成。 与图像或文本生成模型不同，晶体生成必须满足严格的对称性约束。CrystalFormer通过神经网络学习大量已知晶体数据，内化固体化学中的先验知识，包括空间群规则、原子尺寸匹配、化学稳定性等。模型以概率建模的方式，利用似然函数捕捉化学直觉，从而在对称性框架下“智能猜测”可能存在的新晶体结构。其核心优势在于不依赖势能面优化或分子动力学模拟，而是直接在对称性约束下生成合理结构，避免了传统方法中计算成本高、易陷入局部最优的问题。此外，CrystalFormer具备高度灵活性：既可无约束地探索整个材料空间，发现全新结构，也可定向生成具有特定对称性、配位环境或功能特性的晶体。 该模型支持与性质预测模型的即插即用集成，结合贝叶斯优化框架，实现材料的反向设计——例如，针对特定电导率、热稳定性或催化活性目标，逆向生成满足条件的候选材料。这一能力显著加速了新材料的发现流程，为能源、电子、催化等关键领域提供高效设计工具。研究团队基于JAX框架开源了代码与应用示例，推动了该技术的可复现性与社区应用。 业内专家评价，CrystalFormer首次将晶体的数学对称性与化学直觉统一于一个通用生成框架，是材料基因工程与AI融合的典范。其成功表明，将领域先验知识深度嵌入生成模型，是实现高效、可靠材料生成的关键路径。该工作获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，相关成果发表于《科学通报》（Science Bulletin），标志着中国在AI驱动材料发现领域持续保持前沿地位。