直接生成具有最優性能的材料結構是材料設計領域長期以來的目標。傳統的生成式大模型通常難以有效探索全局化學空間，導致其應用局限于局部的空間。
有鑒于此，東南大學王金蘭教授、周跫樺副教授等報道提出一個“通過高效全局化學空間搜索進行材料生成”（MAGECS, Material Generation with Efficient Global Chemical Space Search）的框架，該框架通過將鳥群算法（bird swarm algorithm）和有監督圖神經網絡（supervised graph neural networks）進行整合實現了應對這個挑戰，使生成模型能夠在龐大的化學空間中有效尋徑，找到具有目標性能的材料。
本文要點：
（1）
將MAGECS應用于設計CO2RR反應的合金電催化劑，能夠生成超過25萬個結構，與隨機生成的方式相比，MAGECS設計得到的高活性結構比例（35%）提高了2.5倍。合成并表征了五種預測的合金：CuAl、AlPd、Sn2Pd5、Sn9Pd7和CuAlSe2，其中兩種合金在CO2RR反應的法拉第效率達到~90 %。
（2）
這項工作突出的展示了MAGECS在開發創新功能材料開發方面的潛力，為完全自動化、由人工智能驅動的材料設計鋪平了道路。
參考文獻
Song, Z., Fan, L., Lu, S. et al. Inverse design of promising electrocatalysts for CO2 reduction via generative models and bird swarm algorithm. Nat Commun 16, 1053 (2025).
DOI: 10.1038/s41467-024-55613-z
https://www.nature.com/articles/s41467-024-55613-z
