拓扑绝缘体因其独特的能带拓扑性质与新奇量子输运行为，在量子计算、自旋电子学和低功耗电子器件等领域受到广泛关注。然而，目前已发现的具有较大体能隙的拓扑绝缘体材料仍然十分稀少。近年来，王靖课题组开始利用机器学习方法加速新型拓扑材料的发现，例如通过建立可解释的化学规则（Physical Review B 109, 035122 (2024)）以及基于Transformer架构的深度学习拓扑材料预测模型XBERT（Chinese Physics Letters 42, 070706 (2025)），对已有材料数据库进行高效筛选。这些方法已经能够在已知材料空间中高效地发现潜在拓扑材料，然而其发现范围仍然受到现有材料数据库规模的限制。因此，如何进一步利用生成式人工智能在更广阔的未知材料空间中直接设计和发现新型拓扑材料，成为近年来量子材料研究中的一个重要方向。

近日，我系王靖教授课题组发展了一种结合强化学习微调与扩散式生成模型的拓扑材料设计框架，实现了基于生成式人工智能的新型拓扑材料从头设计。相关成果以“Design topological materials by reinforcement fine-tuned generative model”为题，在线发表于《自然·通讯》（Nature Communications）。

该工作以DiffCSP++晶体生成模型为基础，并结合课题组此前发展的XBERT拓扑材料预测模型作为奖励函数，使生成模型在保持晶体结构合理性与化学稳定性的同时，更倾向于生成具有拓扑非平庸性质的材料。不同于传统监督学习方法，该框架无需额外标注数据，而是通过强化学习中的奖励反馈机制不断优化材料生成方向，从而提高目标拓扑材料的生成效率。 

研究中，作者系统地评估了强化学习微调后模型在材料有效性、多样性、新颖性等方面的表现。结果表明，经过微调后的模型在维持生成材料化学合理性和结构稳定性的同时，能够提高拓扑绝缘体与拓扑晶体绝缘体的生成比例。通过大规模材料生成与第一性原理计算筛选，研究团队最终获得了15种此前未见报道的拓扑绝缘体与拓扑晶体绝缘体候选材料。特别地，Ge2Bi2O6被预测为一种拓扑绝缘体，其非平庸体能隙约为0.26 eV，在已报道的拓扑绝缘体中属于较大的能隙范围。研究还发现了二维量子自旋霍尔绝缘体Mo2O2，展示了该框架在低维拓扑材料设计中的应用潜力。该工作展示了强化学习微调在材料生成任务中的可行性，也为未来利用人工智能开展拓扑材料、高温超导材料以及其他复杂量子材料的逆向设计提供了新的思路。 

我系博士生徐浩晟和钱栋珩为共同第一作者，王靖为通讯作者，其它作者为课题组博士生刘志轩和博士后蒋亚东。该工作得到了复旦大学物理学系、应用表面物理全国重点实验室、合肥国家实验室、国家自然科学基金、国家科技重大项目、国家重点研发计划、上海市科委、上海市教委、中国博士后基金会等的大力支持与资助。

文章链接：https://www.nature.com/articles/s41467-026-73321-8

Haosheng Xu, Dongheng Qian, Zhixuan Liu, Yadong Jiang, Jing Wang, Nat. Commun. (2026). https://doi.org/10.1038/s41467-026-73321-8