2023年，美国科学家在AI材料合成平台A-Lab上首次遇到合成失败，反而引发庆祝，揭示了AI在无机材料合成中的盲区。AI技术的迅速发展促成了无机逆合成方法Retrieval-Retro的提出，该方法结合热力学和注意力机制，提高了合成效率，展现出巨大的应用潜力。

本研究提出了MatterChat多模态大型语言模型，旨在提升无机材料性质预测的性能。该模型结合材料结构数据与文本信息，超越了GPT-4，在科学推理和材料合成方面展现出潜在价值。

谷歌DeepMind的GNoME模型发现了220万种新无机材料，微软推出的MatterGen模型展示了AI在材料逆向设计中的潜力。这标志着材料科学从大规模发现向按需设计的转变。MatterGen已开源，支持根据特定属性生成材料结构，推动新材料研发。

本研究提出了MatterGen模型，通过新的生成过程和适配器模块，可以生成稳定多样的无机材料，并满足广泛的性质限制。成功生成了具有所需性质的稳定新材料，展示了多性质材料设计能力，提出了具有高磁密度和低供应链风险的结构物。代表了材料设计通用生成模型的重大进展。

本文介绍了PCB的种类和制造工艺，包括有机材料和无机材料，以及硬板、软板和软硬结合板的分类。此外，还介绍了PCB板的结构，包括单面板、双面板和多层板。

本研究提出了MatterGen模型，通过引入新的扩散式生成过程和适配器模块，可以生成各类稳定多样的无机材料，并可以通过微调以满足广泛的性质限制。该模型生成的结构物相较于先前的生成模型是新奇且稳定的，同时与局部能量最小值相比接近15倍。经过微调后，MatterGen成功地生成了具有所需化学、对称性、机械、电子和磁性性质的稳定新材料。本研究还展示了多性质材料设计能力，提出了具有高磁密度和低供应链风险的结构物。