AI模型CGformer革新材料设计，突破高熵材料研发瓶颈

上海交通大学人工智能与微结构实验室的李金金教授和黄富强教授团队研发了全新AI材料设计模型CGformer，成功突破了传统晶体图神经网络的局限。

人工智能正深刻改变材料科学研发范式，在加速新材料发现与性能优化中展现出突破性价值。通过高通量计算与机器学习的深度融合，传统“试错法”的实验周期长、资源消耗大等痛点被有效破解，材料探索迈入“计算驱动-实验验证”的高效迭代阶段。然而，随着技术和生活方式的革新，新能源、航空航天等领域对新材料的性能需求愈发严苛，传统机器学习方法的局限性逐渐显现，特别是在高熵材料研发领域。

所谓“高熵”材料，是由多主元元素混合制备的新型材料。通过多主元协同作用，高熵材料显著提升原子排列的构型熵（即无序性），赋予其相比传统材料更优异的力学、耐高温、耐腐蚀等综合性能，在能源存储、航空航天、极端环境装备等领域具有巨大应用潜力。

此前的人工智能模型如Crystal graph convolutional neural networks（CGCNN）、Atomistic line graph neural network（ALIGNN）等，均存在架构上的不足：受限于局部信息交互机制，难以建模远距离原子协同效应，无法完整捕获复杂晶体结构所特有的全局信息，导致预测精度受限。与此同时，高熵材料的固有特性也使其研发面临远超传统材料的挑战——复杂的微观结构、稀缺的高质量实验数据，加之动态无序的原子行为，共同构成了高熵材料研发的关键障碍。

针对工具缺陷与需求升级，上海交通大学人工智能与微结构实验室（AIMS-Lab）李金金教授和黄富强教授团队研发了全新AI材料设计模型CGformer，成功突破传统模型的局限。该模型创新地将Graphormer的全局注意力机制与CGCNN相融合，并集成中心性编码、空间编码，使其既能够通过晶体图直观描述材料结构，又能借助“全局注意力”机制捕捉长距离原子间的相互作用，从而获得传统“仅关注相邻原子”模型所不具备的全局信息处理能力。

该方法提供了更全面的结构信息，有助于更准确地预测结构内部离子迁移行为，为新材料尤其是高熵、复杂结构晶体材料的研发提供了可靠工具。研究成果以“CGformer: Transformer-enhanced crystal graph network with global attention for material property prediction”为题，发布于顶级期刊Matter。

研究亮点：

* 研究开发出基于全局注意力机制的AI材料设计模型CGformer，为材料研发科学提供了可靠工具，加速复杂晶体结构的发现。

* 与CGCNN相比，CGformer在高熵钠离子固态电解质（HE-NSEs）的研究中，平均绝对误差降低了25%，证明其实用性和先进性。

* 从148,995种可能的高熵结构中筛选出18种，成功合成并验证了6种高熵钠离子固态电解质（HE-NSEs），室温钠离子电导率高达0.256mS/cm，展示其实际应用价值。

多类别数据集完善CGformer模型能力

本研究的目的是通过基于案例的解决方案，解决高熵系统中数据稀缺和结构复杂性带来的挑战。研究聚焦于新能源电动汽车和电网储能应用，围绕高熵钠离子固态电解质的性能预测和筛选展开。构建并使用了多类数据集，为CGformer模型的训练、微调和实验验证提供支持。

钠离子扩散能垒（Eb）基础数据集：这是研究人员针对研究构建的当前已知规模最大的高熵结构中钠离子扩散能垒数据集。该数据集主要用于CGformer的预训练，使模型学习与含钠结构相关的图信息。

HE-NSEs计算数据集：以Na₃Zr₂Si₂PO₁₂为基础，在Zr位点考虑45种潜在高熵掺杂元素。通过多轮筛选和DFT计算得到Eb值，形成用于微调CGformer的专用数据集。

热稳定性评估数据集：从Materials Project数据库中提取含钠结构的能量高于凸包值（Ehull），整理成训练集。该数据集用于训练评估HE-NSEs热力学稳定性的补充模型。

创新融合架构实现CGformer“全局感知”

CGformer针对传统方法的不足进行了根本性革新，将两种先进技术有机融合实现优势互补。其核心是既保留了对晶体结构的图化表征能力，又通过全局注意力机制打破了仅关注局部原子交互的局限。

下图展示了晶体图编码过程和网络架构。通过多模块协同实现全局信息整合与精准预测。

CGformer展现强大性能，凸显现实指导价值

为了评估CGformer模型的性能和先进性，研究人员将其与传统模型进行了比较。实验从“预训练”到“微调”两个阶段验证了CGformer的预测精度。

“人工智能+材料”已成为材料科学发展的主流

“人工智能+材料”已成为当前材料科学领域的前沿研究方向。通过融合人工智能技术与材料研发、设计和应用等环节，展现出两种学科交叉的强大发展潜力和应用价值。CGformer的提出无疑为人工智能在材料科学领域的应用增添了浓墨重彩的一笔。