在材料科学领域，快速筛选出具有目标性质的候选材料一直是一项关键挑战。传统的物理模拟方法虽然准确，但计算成本高昂，难以满足高通量筛选的需求。近年来，机器学习，特别是大型语言模型（LLM），被引入这一领域，以期加速材料发现过程。然而，LLM 通常参数庞大，训练和推理的计算开销都很高，并不适合需要快速处理大量候选材料的场景。这种低效一方面源于语言模型的过度参数化，另一方面也源于将材料生成问题转化为序列学习任务本身存在的困难。
为了解决这些问题，研究者提出了 PRISMat，一种经济高效且具有置换不变性的自回归模型。该模型的核心创新在于其置换不变的设计，这意味着它能够以任意顺序处理材料中的原子或结构单元，而不依赖于特定的序列顺序，从而更自然地捕捉材料的本质特征。与 LLM 相比，PRISMat 的参数数量大幅减少，训练和推理速度显著提升，使其能够胜任高通量材料筛选任务。
在实验中，PRISMat 被应用于生成具有特定表面性质的晶体板（crystal slabs）。晶体板是材料表面研究的重要模型体系，其表面性质如解理能和功函数对材料的催化、电子等应用至关重要。研究团队将 PRISMat 与基于 LLM 的基线模型进行了对比。结果显示，尽管 PRISMat 的推理时间更短，但其生成质量却更胜一筹。具体而言，在定向材料发现任务中，PRISMat 在解理能预测上的平均绝对误差（MAE）达到 0.188 eV/Ų，在功函数预测上的 MAE 为 2.79 eV。与表现次优的模型相比，PRISMat 将误差降低了 4 倍，展现了显著的性能优势。
该论文标题为《PRISMat: Policy-Driven, Permutation-Invariant Autoregressive Material Generation》，由 Claire Schlesinger 等四位作者完成，提交于 2026 年 5 月 15 日，目前正在 NeurIPS 2026 审稿中。论文属于人工智能（cs.AI）和材料科学（cond-mat.mtrl-sci）交叉领域，全文共 10 页，包含 8 幅图表。PRISMat 的出现为高通量材料筛选提供了一种更实用、更高效的解决方案，有望加速从候选材料到实验合成的进程，降低材料研发的成本和时间。