直接生成具有最优性能的材料结构是材料设计领域长期以来的目标。传统的生成式大模型通常难以有效探索全局化学空间，导致其应用局限于局部的空间。

有鉴于此，东南大学王金兰教授、周跫桦副教授等报道提出一个“通过高效全局化学空间搜索进行材料生成”（MAGECS, Material Generation with Efficient Global Chemical Space Search）的框架，该框架通过将鸟群算法（bird swarm algorithm）和有监督图神经网络（supervised graph neural networks）进行整合实现了应对这个挑战，使生成模型能够在庞大的化学空间中有效寻径，找到具有目标性能的材料。

本文要点：

（1）

将MAGECS应用于设计CO₂RR反应的合金电催化剂，能够生成超过25万个结构，与随机生成的方式相比，MAGECS设计得到的高活性结构比例（35%）提高了2.5倍。合成并表征了五种预测的合金：CuAl、AlPd、Sn₂Pd₅、Sn₉Pd₇和CuAlSe₂，其中两种合金在CO₂RR反应的法拉第效率达到~90 %。

（2）

这项工作突出的展示了MAGECS在开发创新功能材料开发方面的潜力，为完全自动化、由人工智能驱动的材料设计铺平了道路。

参考文献

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