瑞士團隊開源 XtalPaint：借影像修補找回晶體缺失原子，成功率達 97%

XtalPaint 是一個專門用來給晶體結構「補漏」的開源 AI 模型，能把實驗測不出來的缺失原子精準填回去。

在材料科學裡，研究人員做計算機模擬往往需要極其精確的原子座標。但常用的 X 射線衍射手段對輕原子很不敏感，尤其是氫元素，經常在測定結果裡直接缺席。少了這些原子，整個晶體結構在模擬軟體裡就跑不起來，導致資料庫裡成千上萬種潛在的儲氫和新型超導材料一直被擱置。

瑞士保羅謝爾研究所（PSI）的 Giovanni Pizzi 團隊聯合義大利帕爾馬大學和摩德納大學，把計算機視覺裡的影像修補（inpainting）搬到了晶體結構上，做出了 XtalPaint。

它是怎麼給晶體打補丁的

如果一張照片裡小狗的一隻爪子被遮擋了，現代影像修復模型不會把整張照片打碎重畫，而是在遮擋區域注入噪點，再結合周圍完好的毛髮和背景，把缺失的爪子推算出來。

晶體領域的傳統擴散模型往往也是「推倒重來」，給整個結構撒滿噪聲重新生成。不僅費算力，還容易把原本測得好好的已知骨架帶偏。

XtalPaint 改編自微軟的材料生成模型 MatterGen，但核心思路完全變了。它只在缺失原子的區域性區域新增擴散噪聲，已知的晶體原子完全保持原樣，從第一步起就充當模型推理的物理錨點。這樣既大幅節省了計算開銷，又保證了重構結果高度契合原有晶格。

97% 的還原成功率

研究團隊用已知完整結構的晶體對 XtalPaint 做了壓力測試：先人為抹掉其中的氫原子座標，再讓模型去盲猜還原。

結果顯示，XtalPaint 在 87% 的測試中完美還原了原本的原子排列。更意外的是，在另外 10% 的案例中，它生成的新構型甚至比資料庫原本記錄的能量更低、結構更穩定。綜合算下來，模型的修補成功率達到了 97%。

除了氫原子，這套方法也能用來補全鋰、鈉等在電池研發中至關重要的輕元素。研究團隊還順手用它排查出了材料資料庫在人工錄入論文資料時產生的多處座標錯誤。

目前該研究已經發表在《npj Computational Materials》上，模型相關程式碼也已開源。

為什麼重要

對於從事材料計算、儲氫技術和固態電池研發的研究人員來說，XtalPaint 是一個非常值得立刻接入工作流的生產力工具。它解決的不是「從零設計一個新物質」的宏大命題，而是打通了存量資料利用的關鍵堵點。過去因為缺幾個原子而無法計算的數千種真實材料，現在可以直接批次補齊座標並重新跑模擬。

我們認為 XtalPaint 這一步走得極其務實。它沒有去卷更龐大的端到端全晶體生成大模型，而是把計算機視覺裡成熟的區域性修補邏輯移植到了晶體學中。在已知物理骨架的強約束下做區域性生成，不僅把幻覺降到了最低，算力消耗也遠低於全盤重算。這種用輕量巧妙思路盤活海量沉睡資料的開源工具，往往比單純秀引數的模型更容易在科研一線真正落地。