材料类似蛋白质，需要了解它的结构才能预测其特性。为此，研究人员将图形神经网络与多体交互相结合，构建了一种深度学习架构，可在元素周期表的所有元素中通用、高精度地工作。

为了训练模型，研究人员使用了过去十年在材料项目中收集的巨大的材料能量、力和应力数据库。M3GNet原子间势（IAP）则可预测任何原子集合中的能量和力。最终Matterverse.ai数据库是通过对无机晶体结构数据库中的5000多个结构原型进行组合元素替换而生成的，然后使用M3GNet IAP获得平衡晶体结构，用于属性预测。Matterverse.ai包含超过3100万种尚未合成的材料，预计有超过100万种材料具有潜在的稳定性。

该项研究成果在材料动态模拟和性能预测方面也有广泛的应用，研究人员可使用其来寻找更安全、能量密度更高的可充电锂离子电池电极和电解质。

信息来源：

https://www.eurekalert.org/news-releases/972345#:~:text=Nanoengineers%20at%20the%20University%20of%20California%20San%20Diego%E2%80%99s,properties%20of%20any%20material%E2%80%94whether%20existing%20or%20new%E2%80%94almost%20instantaneously.

科技日报. 张梦然. http://digitalpaper.stdaily.com/http_www.kjrb.com/kjrb/html/2022-11/29/content_545173.htm?div=-1