10月7日消息，arXiv 10月6日收到的一篇论文（编号2610.08296）由 Dylan John、Kim E. Jelfs、Alex M. Ganose、Eleonora Giunchiglia 合作完成（伦敦帝国理工学院与曼彻斯特大学方向的生成材料学团队），提出氧化态感知的晶体生成模型 OxiGen。

生成模型有潜力通过逆向设计加速无机材料发现，但生成「实验可合成」的晶体仍然困难。氧化态广泛用于评估晶体的组分有效性并引导无机材料发现；现有晶体生成模型虽能生成电荷中性的氧化态分配，却难以复现已合成材料中观察到的氧化态分布。OxiGen 的做法是在扩散生成过程中显式表示氧化态，并用结构化输出层在有限状态自动机上精确推理，从构造上保证全局电荷中性。

实证结果：OxiGen 大幅改善氧化态保真度，在所有评估方法中产出最高的稳定、独特且新颖晶体比率，且在性质条件化（按目标性质生成）下维持高组分有效性。

意义层：电池材料、催化剂、功能氧化物的探索长期受限于组合空间的组合爆炸，生成式逆向设计把「先定性质再找材料」变成可计算流程。电荷中性与氧化态合理性是 AI 生成结构能否被实验科学家接受的第一道门槛——OxiGen 把这道门槛内建进模型架构而非事后过滤，属方法论级改进。对产业读者的参考：材料信息学工具链（生成模型+DFT筛选+自动合成平台）正在把新材料迭代周期从年压到月，催化剂与固态电解质开发商是最直接的受益方。 （来源：arXiv）