你让 AI 设计新晶体，有点像让一个熟读菜谱的人发明新菜：它很容易复刻常见搭配，却未必愿意尝试陌生但可行的组合。问题在于，真正值得寻找的材料，往往藏在数据稀少的区域。Nature Machine Intelligence 的这项研究提出 Chemeleon2，用强化学习改变生成模型的探索方向，让它不只模仿已知晶体，还主动寻找新颖、多样且可能稳定的候选结构。
这里的“可能稳定”是计算意义上的热力学可行性，不代表材料已经在实验室中合成成功。本文可见材料也未提供样本规模、成功率或提升幅度，因此以下效果均是论文作者的定性报告。
生成得像，不等于发现得新
晶体结构是原子按一定规律重复排列形成的三维结构。即使元素组成相同，原子的排列不同，稳定性和材料性能也可能完全不同。元素、比例与排列方式可以形成极其庞大的设计空间，实验无法逐一尝试，生成模型因此被用来批量提出候选结构。
传统生成模型通常学习训练数据中哪些结构更常见，再生成统计上相似的样本。论文认为，这与材料发现的目标存在根本错位：模型倾向于走熟路，而研究者希望它前往现有数据库覆盖较少、但新颖性与稳定性可能同时存在的区域。
强化学习（Reinforcement Learning，RL）提供了另一套训练逻辑。模型先生成候选，再根据评分获得奖励，并据此调整生成策略。说白了，它不再只问“这个结构像不像训练数据”，还要问“它是否符合我们真正想找的目标”。
先压缩，再让模型探索
早期做法可以直接在晶体的原子表示上实施强化学习。论文将这种表示拆成三部分：原子类型 、原子坐标 和晶格矩阵 。难点是，原子类型属于离散变量，坐标和晶格则是连续变量。模型必须同时处理不同性质的对象，还要为各部分运行不同的扩散过程。作者称，这会造成梯度估计不稳定，并增加训练计算量。
Chemeleon2 换了一个操作空间。它采用潜变量去噪扩散模型——先把完整晶体结构压缩成连续的抽象表示，在这个空间里逐步去除噪声、生成结果，最后再还原为具体候选。可以把它理解为：不直接挪动每一块积木，而是先操作一张压缩后的设计草图。
在这个连续空间中，论文引入 group-relative policy optimization（GRPO，组相对策略优化）。它把一批候选放在同一组内比较，根据相对表现更新模型。作者称，组内归一化和基于偏好的更新可以降低梯度方差，并适配成批生成候选的流程，从而让优化更稳定。
奖励不只看“新”
如果奖励只鼓励陌生，模型可能生成新奇却不合理的结构；如果只奖励稳定，它又可能反复回到熟悉区域。Chemeleon2 因此采用可验证的多目标奖励，同时考虑创造性、有效性或稳定性，以及多样性。
这正是论文试图处理的 novelty–validity trade-off，也就是“新颖性—有效性权衡”：候选越偏离已知分布，越可能带来新发现，也越可能失去化学合理性。RL 在这里不是替代生成模型，而是给生成过程装上一套可以明确调整的评分规则。
论文还称，这套框架不只支持 de novo generation——从头生成晶体候选，也能进行 property-guided design，即按照目标性质引导设计。作者报告称，模型在瞄准所需功能性质时仍能保持 chemical validity（化学有效性，即候选没有明显违背所采用的化学判定规则）。不过，可见材料没有披露具体目标性质、判定标准或量化结果。
为什么值得关注
这项工作的看点，不只是又生成了一批晶体，而是把探索目标显式放进训练过程。生成模型负责提出候选，强化学习则持续改变它偏好的搜索方向。研究者因此可以把“想找什么”写进奖励，而不必完全受训练数据中常见模式支配。
论文将其描述为可控 AI 逆向设计的模块化基础。逆向设计是先指定希望获得的性质，再反推可能的组成和结构。所谓模块化，意味着奖励目标可以围绕不同任务调整。不过，这仍是作者提出的框架定位，现有节选不足以判断它跨任务迁移时是否可靠。
局限与未知
- 可见材料没有给出数据集、样本规模、奖励公式、稳定性阈值及提升幅度，无法独立核对“增强”到底有多大。
- 论文将 Chemeleon2 与 ADiT、DiffCSP、MatterGen 和 Chemeleon1 等基线比较，但节选在结果展开前中断，不能据此报告胜负或具体数字。
- 热力学可行与化学有效都是计算筛选层面的判断。材料没有提供实验合成和性质验证结果，不能把候选直接称为已经发现的新材料。