功能性无机材料的设计是推动能源存储、半导体和催化等领域技术进步的核心驱动力。然而，传统的材料研发依赖于实验试错和计算成本高昂的第一性原理计算，极大地限制了探索广阔化学空间的效率和范围。为了应对这一挑战，我们开发了一套由深度学习驱动的基础模型，旨在构建一个从预测到创造的材料科学研究新范式。本次报告将首先介绍 MatterSim，一个跨元素、温度(0 至5000 K)和压力（高至1000GPa）的通用深度学习原子级别模型。该模型精确预测材料的基态结构、能量学以及在真实热力学条件下的动态行为，位居同类最优模型行列。我将展示如何应用MatterSim进行大规模高通量筛选，在一项对超过五十万种晶体结构的热导率的系统性探索中，我们不仅确认了金刚石在搜索空间内的热导率上限，还发现了超过20种热导性能超越硅的新型材料，展示出利用AI发现变革新材料的潜力。进一步我将介绍 MatterGen，一个用于无机材料“逆向设计”的扩散生成模型。与以往的生成模型相比，MatterGen在生成稳定、独特且全新（SUN）的晶体结构方面取得了突破性进展，成功率提升了一倍以上。更重要的是，通过对预训练模型进行微调，MatterGen能够根据用户指定的化学成分、对称性、以及机械、电子和磁学性质等多维约束条件，定向生成满足要求的全新材料。作为概念验证，我们成功地合成了一种由MatterGen设计的材料，并实验测量其性质，结果与我们的设计目标高度吻-合（误差在20%以内）。

郝红霞，上海人工智能实验室青年科学家。2014年吉林大学高分子材料与工程专业学士学位，2019年获布朗大学化学专业博士学位，2019-2022在加州大学伯克利分校从事博士后研究，随后加入微软研究院任资深研究员，从事AI for Science的研究工作。2025年8月加入上海人工智能实验室。郝红霞的研究领域主要集中在理论计算化学，AI与Science的交叉等领域的基础研究工作。其代表性研究成果主要有量子蒙特卡洛方法开发与应用，微液滴化学为代表的界面化学理论挖掘，材料领域的人工智能大模型开发与应用等。近五年，以第一/通讯作者身份在Nat. Commum.，J. Am. Chem. Soc. ，Angew. Chem. Int. Ed. 等杂志发表高影响力工作，现引用2200余次，h-index 21. 她目前的研究方向聚焦在AI+材料/化学领域，致力于通过AI加速材料和化学体系的模拟、设计与合成，打通AI助力材料科学发现的完整闭环。