MatterGPT : 多物理属性导向材料逆向设计平台

功能晶体材料的智能逆向设计是目前物质科学领域的典型挑战。晶体材料构型空间规模达10^100量级，其微观结构与多物理属性间存在高度非线性映射关系，导致传统材料开发面临设计空间难以有效遍历和多物理性能难以协同优化的关键科学挑战。本报告系统阐述MatterGPT框架，一种基于GPT架构的深度生成模型平台，用于特定物理性能晶体材料的定向设计。首先，开发了具备完备对称不变性的晶体可逆表示法SLICES，将任意三维周期性晶体结构精确编码为一维"晶体语言"，为大型语言模型在晶体表征中的应用建立理论基础。在此基础上，通过自监督学习构建的MatterGPT模型实现了晶体结构与多物理性能间复杂关联的表征学习，从而支持多约束条件下的高效生成与精准设计。与现有方法相比，无论晶格非敏感属性（如形成能）和晶格敏感属性（如能带隙），本框架在多物理属性约束下表现出卓越的晶体生成能力，生成结构有效性达98%，多样性超90%，新颖性维持在50-70%之间。特别地，本研究实现了弹性张量、断裂韧性和硬度等关键力学参数的精准设计，并实现了压电性质、热电性能等多物理耦合属性的协同逆向设计，为力学-热学-电学多物理耦合问题提供了全新设计途径。为推动该框架的应用转化，我们开发了MatterGPT Hub一站式集成解决方案，实现了数据预处理到结构生成和物理属性验证的全流程自动化，并已部署于国家超级计算郑州中心。本研究展示了数据科学、表征学习、深度生成模型与物理力学交叉融合的前沿实践，为材料科学领域的知识发现与多物理模型解析提供了新思路，展示了人工智能驱动下多尺度、多物理力学模型与材料设计深度融合的巨大潜力。