Els models d'IA generativa, els mateixos que dissenyen imatges o text, també es fan servir des de fa temps per proposar noves estructures cristal·lines de materials amb propietats desitjades, per exemple una millor conductivitat tèrmica. El problema és que una part important de les estructures que generen aquests models no són químicament estables, i comprovar-ho requereix un càlcul costós a posteriori que descarta la majoria de propostes un cop ja generades.
Un equip liderat per Mingda Li, professor associat de ciència i enginyeria nuclear al MIT, amb els doctorands Mouyang Cheng i Weiliang Luo, el graduat recent Hao Tang, l'estudiant de grau Bowen Yu i els professors Ju Li i Heather Kulik, amb col·laboradors del Laboratori Nacional d'Oak Ridge i la Universitat estatal de Michigan, ha publicat a Nature Computational Science un mètode batejat CrysVCD (generador de cristalls amb disseny restringit per valència). En lloc de generar primer una estructura i comprovar-ne l'estabilitat després, CrysVCD incorpora les regles de valència química des del primer pas: un model de llenguatge proposa fórmules químicament vàlides i, a partir d'aquestes, un model de difusió construeix l'estructura atòmica del cristall corresponent. Aquest disseny redueix els passos de generació necessaris d'un miler, aproximadament, a només cinc. Els resultats mostren un 68% d'estabilitat mecànica i un 85% de metaestabilitat en els materials generats, amb materials estables en conjunt al voltant del 70% de les vegades, i el mètode s'ha aplicat amb èxit a la recerca de materials amb alta conductivitat tèrmica i propietats elèctriques específiques.
El valor pràctic de l'enfocament és que es pot connectar a qualsevol model de difusió existent, i previsiblement també als futurs, sense haver de refer tot el procés de cribratge posterior, cosa que estalvia un ordre de magnitud de cost de càlcul respecte dels mètodes que filtren les propostes un cop generades. Per a camps com el disseny de bateries, semiconductors o materials de gestió tèrmica, on la majoria de candidats generats per IA es descarten per inestables, aquest tipus de restricció incorporada d'entrada pot accelerar de manera notable la primera fase del disseny de materials.
Els mateixos autors adverteixen que el mètode funciona millor amb estructures sòlides d'ordenació interna molt regular i que no s'aplica de manera universal a tots els tipus de material. A més, els percentatges d'estabilitat que reporta l'estudi són prediccions computacionals, no encara comprovacions experimentals al laboratori: cal validar en la pràctica que els materials proposats es poden sintetitzar de debò abans de parlar d'una aplicació real.