本文解读 npj Computational Materials 期刊论文《A generative diffusion model for amorphous materials》，该文提出面向非晶材料的生成式扩散模型。模型基于图神经网络与 DDPM 框架，生成非晶结构较传统 MD 模拟最高提速 2400 倍，精准还原二氧化硅玻璃、金属玻璃近 / 中程有序结构与弹性性能，可条件化生成慢冷、大尺寸、介孔结构，还能补全实验表征数据，为非晶材料逆向设计提供全新方案。

从窗口玻璃到高端金属玻璃，从固态电池电解质到微电子相变存储材料，非晶材料早已渗透现代科技的每一个角落。它们没有晶体那样整齐划一的原子排列，却凭借独特的无序结构，拥有高强度、高韧性、优异光电与电化学性能，成为材料科学中最具应用潜力的体系之一。但长久以来，受限于复杂的原子排布与极高的计算成本，非晶材料的模拟与设计一直是计算材料学的 “卡脖子” 难题。直到人工智能与生成式模型的介入，这一困境才迎来真正的突破。近期，国际顶尖期刊 npj Computational Materials 发表的一项研究，首次将扩散模型用于非晶材料的原子级结构生成，用 AI 实现了非晶结构的快速、精准、可控制备，为整个非晶材料领域打开了全新的研究范式。

非晶材料生成式扩散模型的训练与验证流程

一、非晶材料：材料界的 “无序难题”

1.1 什么是非晶材料

非晶材料是原子排列无长程有序的特殊固体材料，生活与工业中随处可见：石英玻璃、金属玻璃、高分子聚合物、固态电池电解质、相变存储合金都属于这一范畴。它们没有晶体那样规整的晶格结构，却凭借高强度、高韧性、特殊光电性能，成为高端制造、能源存储、微电子领域的核心材料。

1.2 传统模拟的致命短板

长期以来，非晶材料的计算研究被以下难题困住：

· 能量面崎岖复杂，传统分子动力学（MD）、蒙特卡洛模拟需要极长时间才能收敛；

· 实验冷却速率（1~100 K/s）与计算模拟（10¹² K/s）差距巨大，难以复现真实材料结构；

· 大尺寸、多孔、慢冷条件下的模拟成本极高，几乎无法工程化实现。

传统生成模型要么生成非物理结构，要么跳出训练集分布，即便结构合理也无法匹配宏观性能，非晶材料的逆向设计长期停滞不前。

二、AI 破局：专为非晶设计的扩散模型

2.1 模型核心框架

这项研究基于去噪扩散概率模型（DDPM），搭配E (3) 等变图神经网络（NequIP），打造了专用于非晶材料的生成模型，命名为DM²。

模型分为两个关键过程：

前向扩散：逐步给真实非晶结构的原子位置加高斯噪声，直到结构完全随机化；

逆向去噪：模型学习从随机原子分布，逐步去噪还原为物理合理的非晶结构。

2.2 核心公式与训练逻辑

模型的核心训练目标是最小化预测噪声与真实噪声的误差，确保去噪结构符合物理规律，核心损失函数为：

式中，ε_θ为模型预测噪声，ε为真实高斯噪声，训练过程让模型精准学习原子位移规律。

为实现条件化生成，研究引入冷却速率高斯基嵌入，将冷却速率转为高维特征融入网络，让模型可按指定冷却速率生成对应结构。

2.3 模型架构优势

1.采用 E (3) 等变网络，保证旋转、平移对称性，符合原子体系物理约束；

2.截断半径 5 Å，最多考虑 12 近邻，兼顾精度与效率；

3.支持任意尺寸、形状、组分输入，可生成块体、多孔、纳米颗粒等结构。

三、实验结果：结构、性能、效率三重突破

3.1 二氧化硅玻璃：结构与性能完美复刻

以无定形 SiO₂为验证体系，模型生成结构与传统 MD 模拟几乎无法区分：

近程结构：Si-O、O-O、Si-Si 对分布函数（PDF）峰位、强度完全匹配；Si-O-Si、O-Si-O 键角分布与真实结构一致；

中程结构：环尺寸分布误差极小，精准复现非晶网络拓扑；

宏观性能：体积模量、剪切模量、杨氏模量、泊松比与模拟值统计无差异；

分布有效性：生成结构与真实结构的原子环境重叠度，等同于两组真实结构间的重叠度，无模式崩溃。

生成式 SiO₂非晶结构与模拟结果

3.2 条件化生成：精准控制冷却速率

模型可生成10⁻²~10³ K/ps宽范围冷却速率结构，覆盖训练区间内外：

· 快冷结构信息熵更高，慢冷结构熵值更低，符合玻璃物理规律；

· 平均 Si-O-Si 键角随冷却速率变化趋势与文献完全一致；

· 弹性模量在不同冷却速率下保持稳定，与模拟结果匹配。

3.3 效率革命：最高提速 2400 倍

冷却速率条件生成与速度对比图

计算成本对比（3000 原子 SiO₂体系）：

· 传统 MD 慢冷（10⁻² K/ps）：614 GPU 小时；

· DM² 模型生成：0.25 GPU 小时；

· 效率提升：2400 倍。

超大体系（112848 原子）慢冷模拟需 34746 GPU 小时，模型可瞬间完成，突破传统模拟尺度极限。

3.4 大尺寸断裂模拟：揭示脆韧转变

模型生成不同尺寸 SiO₂结构并做拉伸测试：

· 小尺寸（<6 nm）表现为韧性断裂；

· 大尺寸表现为脆性断裂，复现实验观测的纳米尺度脆韧转变；

· 慢冷结构比快冷结构更脆，且极低冷速下行为趋于收敛，符合材料规律。

3.5 无训练生成介孔二氧化硅

模型未接受多孔结构训练，却可直接生成介孔 SiO₂：

· 孔壁保持非晶结构，短程有序完整；

· 孔表面非桥氧浓度（2~4 NBOs/nm²）与实验值完全一致；

· 可直接用于催化、药物递送界面特性模拟。

非晶 SiO₂的脆韧转变与介孔结构生成

3.6 金属玻璃：跨体系泛化能力

Cu₅₀Zr₅₀金属玻璃：PDF、原子体积、沃罗诺伊多面体分布、应力 - 应变曲线均与参考高度吻合。

实验表征数据：基于 AET 电镜实验的多组分金属玻璃训练，模型可精准复现实验对分布函数与多面体结构，补全实验数据不足。

金属玻璃与实验数据匹配

四、模型优势与局限

4.1 核心优势

通用性强：适用于氧化物玻璃、金属玻璃、实验原子结构；

保真度高：结构 + 力学性能双重验证，可直接用于后续模拟；

效率极高：慢冷、大体系成本降低三个数量级；

条件可控：支持冷却速率、尺寸、形状、孔隙调控。

4.2 现存局限

1.少量异常环境需短时间 MD 优化；

2.屈服强度预测略有偏低；

3.暂未拓展至聚合物、半导体非晶体系。

五、科学意义与未来展望

这项研究是非晶材料计算研究的里程碑：首次用扩散模型实现高效、高保真、可调控的非晶结构生成，把过去 “不可能完成” 的模拟变为常规操作。

未来，该模型可直接用于新型金属玻璃和固态电解质的逆向设计、实验表征数据的自动化补全与结构解析、大尺度或极端工艺条件下的材料性能预测等。AI 不再只是辅助分析工具，而是成为非晶材料结构生成 — 性能预测 — 材料设计的核心引擎，让无序的非晶世界，走向高效、精准、可控的设计新时代。

本文解读 npj Computational Materials 期刊论文《A generative diffusion model for amorphous materials》，该文提出面向非晶材料的生成式扩散模型。模型基于图神经网络与 DDPM 框架，生成非晶结构较传统 MD 模拟最高提速 2400 倍，精准还原二氧化硅玻璃、金属玻璃近 / 中程有序结构与弹性性能，可条件化生成慢冷、大尺寸、介孔结构，还能补全实验表征数据，为非晶材料逆向设计提供全新方案。

从窗口玻璃到高端金属玻璃，从固态电池电解质到微电子相变存储材料，非晶材料早已渗透现代科技的每一个角落。它们没有晶体那样整齐划一的原子排列，却凭借独特的无序结构，拥有高强度、高韧性、优异光电与电化学性能，成为材料科学中最具应用潜力的体系之一。但长久以来，受限于复杂的原子排布与极高的计算成本，非晶材料的模拟与设计一直是计算材料学的 “卡脖子” 难题。直到人工智能与生成式模型的介入，这一困境才迎来真正的突破。近期，国际顶尖期刊 npj Computational Materials 发表的一项研究，首次将扩散模型用于非晶材料的原子级结构生成，用 AI 实现了非晶结构的快速、精准、可控制备，为整个非晶材料领域打开了全新的研究范式。

非晶材料生成式扩散模型的训练与验证流程

一、非晶材料：材料界的 “无序难题”

1.1 什么是非晶材料

非晶材料是原子排列无长程有序的特殊固体材料，生活与工业中随处可见：石英玻璃、金属玻璃、高分子聚合物、固态电池电解质、相变存储合金都属于这一范畴。它们没有晶体那样规整的晶格结构，却凭借高强度、高韧性、特殊光电性能，成为高端制造、能源存储、微电子领域的核心材料。

1.2 传统模拟的致命短板

长期以来，非晶材料的计算研究被以下难题困住：

· 能量面崎岖复杂，传统分子动力学（MD）、蒙特卡洛模拟需要极长时间才能收敛；

· 实验冷却速率（1~100 K/s）与计算模拟（10¹² K/s）差距巨大，难以复现真实材料结构；

· 大尺寸、多孔、慢冷条件下的模拟成本极高，几乎无法工程化实现。

传统生成模型要么生成非物理结构，要么跳出训练集分布，即便结构合理也无法匹配宏观性能，非晶材料的逆向设计长期停滞不前。

二、AI 破局：专为非晶设计的扩散模型

2.1 模型核心框架

这项研究基于去噪扩散概率模型（DDPM），搭配E (3) 等变图神经网络（NequIP），打造了专用于非晶材料的生成模型，命名为DM²。

模型分为两个关键过程：

前向扩散：逐步给真实非晶结构的原子位置加高斯噪声，直到结构完全随机化；

逆向去噪：模型学习从随机原子分布，逐步去噪还原为物理合理的非晶结构。

2.2 核心公式与训练逻辑

模型的核心训练目标是最小化预测噪声与真实噪声的误差，确保去噪结构符合物理规律，核心损失函数为：

式中，ε_θ为模型预测噪声，ε为真实高斯噪声，训练过程让模型精准学习原子位移规律。

为实现条件化生成，研究引入冷却速率高斯基嵌入，将冷却速率转为高维特征融入网络，让模型可按指定冷却速率生成对应结构。

2.3 模型架构优势

1.采用 E (3) 等变网络，保证旋转、平移对称性，符合原子体系物理约束；

2.截断半径 5 Å，最多考虑 12 近邻，兼顾精度与效率；

3.支持任意尺寸、形状、组分输入，可生成块体、多孔、纳米颗粒等结构。

三、实验结果：结构、性能、效率三重突破

3.1 二氧化硅玻璃：结构与性能完美复刻

以无定形 SiO₂为验证体系，模型生成结构与传统 MD 模拟几乎无法区分：

近程结构：Si-O、O-O、Si-Si 对分布函数（PDF）峰位、强度完全匹配；Si-O-Si、O-Si-O 键角分布与真实结构一致；

中程结构：环尺寸分布误差极小，精准复现非晶网络拓扑；

宏观性能：体积模量、剪切模量、杨氏模量、泊松比与模拟值统计无差异；

分布有效性：生成结构与真实结构的原子环境重叠度，等同于两组真实结构间的重叠度，无模式崩溃。

生成式 SiO₂非晶结构与模拟结果

3.2 条件化生成：精准控制冷却速率

模型可生成10⁻²~10³ K/ps宽范围冷却速率结构，覆盖训练区间内外：

· 快冷结构信息熵更高，慢冷结构熵值更低，符合玻璃物理规律；

· 平均 Si-O-Si 键角随冷却速率变化趋势与文献完全一致；

· 弹性模量在不同冷却速率下保持稳定，与模拟结果匹配。

3.3 效率革命：最高提速 2400 倍

冷却速率条件生成与速度对比图

计算成本对比（3000 原子 SiO₂体系）：

· 传统 MD 慢冷（10⁻² K/ps）：614 GPU 小时；

· DM² 模型生成：0.25 GPU 小时；

· 效率提升：2400 倍。

超大体系（112848 原子）慢冷模拟需 34746 GPU 小时，模型可瞬间完成，突破传统模拟尺度极限。

3.4 大尺寸断裂模拟：揭示脆韧转变

模型生成不同尺寸 SiO₂结构并做拉伸测试：

· 小尺寸（<6 nm）表现为韧性断裂；

· 大尺寸表现为脆性断裂，复现实验观测的纳米尺度脆韧转变；

· 慢冷结构比快冷结构更脆，且极低冷速下行为趋于收敛，符合材料规律。

3.5 无训练生成介孔二氧化硅

模型未接受多孔结构训练，却可直接生成介孔 SiO₂：

· 孔壁保持非晶结构，短程有序完整；

· 孔表面非桥氧浓度（2~4 NBOs/nm²）与实验值完全一致；

· 可直接用于催化、药物递送界面特性模拟。

非晶 SiO₂的脆韧转变与介孔结构生成

3.6 金属玻璃：跨体系泛化能力

Cu₅₀Zr₅₀金属玻璃：PDF、原子体积、沃罗诺伊多面体分布、应力 - 应变曲线均与参考高度吻合。

实验表征数据：基于 AET 电镜实验的多组分金属玻璃训练，模型可精准复现实验对分布函数与多面体结构，补全实验数据不足。

金属玻璃与实验数据匹配

四、模型优势与局限

4.1 核心优势

通用性强：适用于氧化物玻璃、金属玻璃、实验原子结构；

保真度高：结构 + 力学性能双重验证，可直接用于后续模拟；

效率极高：慢冷、大体系成本降低三个数量级；

条件可控：支持冷却速率、尺寸、形状、孔隙调控。

4.2 现存局限

1.少量异常环境需短时间 MD 优化；

2.屈服强度预测略有偏低；

3.暂未拓展至聚合物、半导体非晶体系。

五、科学意义与未来展望

这项研究是非晶材料计算研究的里程碑：首次用扩散模型实现高效、高保真、可调控的非晶结构生成，把过去 “不可能完成” 的模拟变为常规操作。

未来，该模型可直接用于新型金属玻璃和固态电解质的逆向设计、实验表征数据的自动化补全与结构解析、大尺度或极端工艺条件下的材料性能预测等。AI 不再只是辅助分析工具，而是成为非晶材料结构生成 — 性能预测 — 材料设计的核心引擎，让无序的非晶世界，走向高效、精准、可控的设计新时代。