通过人工智能技术提升科研效率，获得突破性成果，已成为科技创新的重要趋势。目前，岭南大学跨学科学院教授肖航、陈曦团队已进一步将神经网络机器学习平台拓展为生成式AI平台，同时开发了材料编码和功能材料逆向设计的系列方法，并推出重要成果——MatterGPT。这是专门用于设计具有特定性质新材料的大语言模型，以解决固态材料逆向设计中的关键难题。

MatterGPT基于大语言模型GPT2，结合团队创新性地提出的“晶体语言”——SLICES（简化线输入晶体编码系统），能够在化学领域进行高效搜索并设计出符合特定需求的新材料。

SLICES晶体语言是首个可逆且不变的晶体表示法，能够对晶体结构进行编码和解码，捕捉其本质特征，为MatterGPT提供了强有力的支撑。SLICES克服了传统晶体结构表示法的局限，使得MatterGPT能够像AlphaFold2从氨基酸序列预测蛋白质结构一样，从目标性能反推晶体结构，在材料结构—性能空间中精准构建出具有特定性质的新材料。

自今年发布以来，MatterGPT作为首个实现新材料多性质逆向设计的开源大语言模型，引起了多个领域学者的关注。与传统的正向设计方法（如高通量筛选和晶体结构预测）相比，MatterGPT展现出显著优势。它能够精准地生成具有特定带隙和形成能的新材料，大幅提高了新材料设计的精准度和效率。

目前，为促进全球协作，加速新材料开发，岭南大学相关研究团队已将MatterGPT和晶体语言SLICES作为开源项目发布。这些工具将有望借力人工智能，在应对气候变化、实现碳中和、推进航空航天技术、革新能源转换与存储系统等多个关键领域带来突破。

南方+记者 钱明雅