传统材料研发过程往往耗时漫长，动辄需要数年甚至数十年进行反复实验，不仅成本高昂，效率也难以满足现代产业需求。如今，人工智能技术的介入正在改变这一局面，其强大的数据处理和模式识别能力，有望将材料研发周期从“年”级压缩至“天”级。然而，现有AI模型在处理晶体结构信息时普遍存在一个关键短板——缺乏对材料全局特性的捕捉能力，这一问题被称为AI材料设计的“近视”缺陷。
针对这一挑战，上海交通大学人工智能与微结构实验室（AIMS-Lab）李金金教授团队提出了一种创新解决方案。他们开发的CGformer算法通过融合Transformer架构的全局注意力机制，重构了AI模型处理晶体结构的方式。该研究以《CGformer：基于全局注意力机制增强的晶体图Transformer网络用于材料性能预测》为题发表于国际知名期刊Matter，标志着我国在AI材料设计领域取得重要突破。
传统模型如晶体图神经网络（CGCNN）采用局部信息传递机制，每个原子仅能与相邻原子交互，这种“邻里对话”模式导致模型难以捕捉长程原子相互作用。而材料的许多关键性能，例如离子传输效率，恰恰取决于这种全局性的原子间作用。李金金教授形象地比喻道：“现有模型就像把脸贴在画布上观察，只能看到局部细节，却无法把握整幅画的全貌。”
CGformer算法的创新之处在于构建了晶体结构中的“全息通讯网络”。通过引入全局注意力机制，每个原子可直接与晶体中任意位置的原子进行信息交互，打破了传统模型的局部限制。研究团队为此设计了三重物理编码体系：空间编码精确描述原子间距和位置关系，中心性编码量化原子在晶体拓扑结构中的重要性，边编码则整合化学键类型和长度等特征。这种多维度物理信息的融合，使模型既保持了晶体图的物理直观性，又获得了处理全局信息的能力。
为验证算法性能，研究团队选择了高熵材料这一极具挑战性的体系。高熵材料通过在同一晶体位置引入多种元素进行混合掺杂，形成高度无序但可能具有优异性能的结构。这种材料的数据稀缺性和结构复杂性，使其成为检验算法全局信息处理能力的理想对象。在高熵钠离子固态电解质研究中，CGformer展现出显著优势：与CGCNN相比，其预测精度提高了25%，并在包含近15万种候选材料的化学空间中，成功筛选出18种最具潜力的新材料。
实验验证环节，研究团队从筛选结果中合成了6种顶级候选材料。通过X射线衍射、扫描电镜能谱分析和阻抗谱等技术表征，证实这些材料均形成了预期的单相NASICON结构，室温钠离子电导率达到0.093至0.256mS/cm，显著优于传统设计材料。李金金教授表示：“当模型预测结果与实验数据完全吻合时，这种从数字计算到物理实现的闭环验证，是对我们方法最有力的证明。”
这项成果的意义不仅在于发现新材料，更在于构建了可扩展、可迁移的AI材料设计框架。该平台能够加速固态电解质、高性能电极材料等关键组件的研发进程，其技术框架还可推广至热电材料、光催化剂等其他先进功能材料的探索。在全球科技竞争前沿，“AI+材料”已成为驱动下一代技术变革的核心领域，而中国研究团队正通过源头创新，从算法层面解决材料科学的基础性问题，逐步从技术应用走向核心能力创造。
