AI for Materials专题
专题论文汇编
人工智能赋能材料科学
沈洋;<正>人工智能(AI)技术凭借卓越的高维数据处理能力，催生了“AI for Science”的全球战略热潮。其中，材料科学与AI的交叉融合，已成为驱动材料创新变革与产业升级的核心引擎。在硅酸盐材料领域，“AI for Materials”的融合浪潮持续深化，不断突破传统研发的极限边界，推动陶瓷、玻璃、水泥和新能源等材料领域实现从“经验驱动”向“数智驱动”的关键转型。当前，AI技术已深度渗透到材料研发的全流程，涵盖材料成分高效设计、多目标性能精准预测、制备工艺智能优化及服役寿命可靠评估等核心环节，为破解传统材料研发模式周期长、成本高、效率低的关键痛点提供了全新的解决方案。
机器学习驱动的富锂正极活化条件优化
战晨;刘方正;李裕铭;李诚瀚;邹佩;李想;张旭;郭现伟;赵姝;尉海军;富锂锰基层状氧化物因其低成本和高可逆容量，被认为是最具潜力的下一代锂离子电池正极材料。然而其电化学性能对初始活化条件高度敏感，受电压、温度、电流密度及活化圈数等多因素耦合影响。为实现活化制度的高效优化，本工作构建了基于机器学习的活化参数优化框架。通过整合实验与文献数据建立多特征数据集，并以CatBoost模型为核心构建容量保持率预测体系，实现了对不同活化条件下电池循环性能的高精度预测。进一步结合贝叶斯优化，在高维参数空间中实现多参数协同寻优，所得最优活化条件下模型预测结果与实验结果的容量保持率误差低于1%。本工作实现了富锂正极电化学活化工艺的智能优化，为复杂电化学体系的多参数定量调控与高性能正极材料设计提供了新的思路与可行路径。
材料领域知识嵌入的分而治之机器学习
杨正伟;刘子图;张王颖;左维;余振垚;邹欣欣;袁浩栋;苏玉凤;施思齐;刘悦;纯数据驱动的机器学习能够快速挖掘复杂材料数据隐含的科学规律。然而，“成分–结构–工艺–性能”组成的复杂材料构效关系使得机器学习难以准确剖析其内在/外在因素的作用机理，这导致模型精度、建模复杂程度及其可解释性面临严峻挑战。因此，本工作提出了一种材料领域知识嵌入的分而治之机器学习建模策略，旨在依据领域知识将复杂材料问题进行有效拆解并利用领域知识嵌入的机器学习对拆解后子问题进行针对性的自适应建模，以精准且具有一定可解释性的方式挖掘其内部隐藏作用机理。同时，利用变分推断验证该策略的科学性与有效性。进一步，总结了在材料科学领域中依据不同领域知识进行“分而治之”机器学习建模的应用示例。最后，展望了该策略未来所面临的挑战及对策。
矿物数据库中新型无机电子化合物材料的模式筛选与发现
袁晓泽;周余伟;张香玉;温晓东;无机电子化合物是一类电子被局域在阳离子晶格骨架中的特殊材料，在电极材料、电子发射、催化等领域的应用前景广阔。近年来，发现和设计新型电子化合物成为研究热点之一。然而，当前主流方法均采用“直接”策略，难以有效识别和发现结构复杂的电子化合物前驱体。本工作提出了一种新颖的“间接”策略——不是直接得到电子化合物而是以其前驱体为导向的筛选策略。首次基于美国矿物学家晶体结构数据库(AMCSD)，设计了一个结合拓扑模式识别与第一性原理计算的多阶段筛选流程。该流程的核心是定义了一种基于化学局部配位环境的拓扑描述符，用以精准捕捉潜在的电子化合物前驱体结构。基于对AMCSD数据库中20 488个矿物晶体结构的系统性筛选，确定了18个有高潜力的候选材料。从这些材料中不仅识别了已被实验报道的方钠石和磷灰石型电子化合物(验证了本方法的有效性)，而且还发现了7种全新未见报道的结构原型。本工作不仅展示了“间接”策略在筛选和发现新型电子化合物上的有效性，同时也证实了矿物数据库是未被充分开发的电子化合物材料宝库，所建立的模式筛选方法也为系统性发掘其他新型功能材料提供了普适性参考方案。
基于多尺度特征增强和时序Transformer的SiC外延生长浓度预测模型
张忠义;王朗;芦伟立;李帅;杨建业;高楠;王波;潘国平;房玉龙;碳化硅(SiC)外延层掺杂浓度直接决定功率器件性能，现有调控依赖人工经验与离线测试，存在成本高、滞后性强的问题。为此，提出一种多尺度特征增强时序Transformer(Multi-scale Feature-enhanced Temporal Transformer Network,MFT-Net)模型，整合多尺度卷积、压缩和激励(SE)模块、Transformer及门控循环单元(GRU)模块，构建“当炉–下炉”双场景浓度预测体系。多尺度卷积捕捉毫秒至小时级参数动态，SE强化核心特征，Transformer建模全参数耦合，GRU传递跨炉状态。基于1200炉数据实验表明，模型当炉预测相对误差低至1.35%、决定系数R~2达0.89，下炉预测相对误差为1.66%,R~2达到0.87，显著优于传统模型。经统计，该模型预计可降低离线测试成本约30%、提升工艺稳定性约15%，为SiC外延智能化提供支撑。
数据驱动的Sm-Co基稀土永磁合金研究进展
吕皓;许国婧;刘培鑫;韩崇宇;郭凯;刘东;宋晓艳;Sm-Co基稀土永磁合金在高温用永磁材料领域具有不可替代的重要地位。然而，目前对Sm-Co基永磁合金的成分设计仍以实验试错法为主，使得新型合金的研究开发效率较低。本文系统综述了数据驱动研究范式在Sm-Co基稀土永磁合金高性能化设计研究中的关键进展，阐述了如热力学计算、第一性原理计算等传统计算材料学方法在Sm-Co基合金物相分析和磁性能预测方面的进展，重点介绍和讨论了基于机器学习方法的Sm-Co基永磁合金成分高通量设计与多目标性能协同优化的新进展。最后展望了多尺度计算模拟、物理可解释机器学习、逆向设计闭环系统等融合人工智能的研究新范式推动本领域数字化高效研究的发展趋势。
数据驱动与机器学习辅助的硫系相变材料研究进展
张烜广;周健;孙志梅;硫系相变材料(Phase Change Materials, PCMs)因其独特的电学和光学特性而被广泛研究。PCMs已被成功应用于各类光盘，并在数据存储领域取得显著进展，例如相变随机存取存储器(Phase Change Random Access Memory, PCRAM)。此外，PCMs在光子学领域展现出良好的应用前景，可用于调控光的传播与相互作用；同时也适用于模拟人脑功能的神经拟态计算系统。本综述全面总结了大数据分析与机器学习方法辅助下的PCMs相关研究：高通量计算与机器学习模型可以实现最优掺杂剂筛选与相变材料性能预测；机器学习势函数可以深化对相变材料的相变动力学及热力学特性的理解；在PCRAM器件级模拟与设计中，机器学习在存储器优化及PCMs神经拟态计算潜力挖掘方面发挥了关键作用。最后，总结了PCMs的未来研究方向与当前面临的挑战。
AI驱动的材料发现：生成式模型与晶体逆向设计进展
吴克登;陈炎;邓晓彬;陈曦;肖航;晶体材料的逆向设计一直是材料科学面临的重大挑战，近年来生成式人工智能技术的发展为解决这一难题带来了新的契机。本文围绕晶体表示方法与生成模型架构两大核心问题，系统综述了该领域的最新研究进展。在晶体表示方法方面，重点评述了文本符号化表示、几何图周期性编码以及像素的实验成像与计算像素化等方法，深入分析了这些方法在可逆性、不变性和对称性编码等关键技术特性上的优劣。在生成模型架构方面，按照技术演进路线，详细介绍了基于潜空间的变分自编码器和生成对抗网络、扩散或流匹配的联合生成模型，以及Transformer自回归模型的工作原理与应用现状。最后，针对当前面临的表示方法优化、缺陷材料建模和评估标准统一等关键科学问题，本文展望了面向工业应用的未来发展方向，旨在为晶体材料智能设计提供系统性的理论参考。
晶体结构生成式模型研究进展
魏巍;严壮;唐智勇;晶体材料的物理化学性质根本上取决于其三维空间中原子周期性排列所形成的晶体结构。晶体结构的高效预测与合理设计是新材料研发的关键环节，传统基于密度泛函理论(DFT)的高通量筛选和全局优化方法虽在简单体系中表现突出，但计算开销随原子数增加呈指数增长、对复杂多组分体系适应性差。近年来，人工智能的发展为晶体结构研究提供了新思路，其中，生成式模型(generative models)通过学习晶体数据库中结构与成分的分布规律，可在条件约束下高效探索庞大的化学空间，生成具备目标性能的候选结构。该类模型兼具低推理成本与强泛化能力，为突破传统方法瓶颈提供了关键路径。本文综述生成式模型在晶体结构研究中的最新进展，涵盖生成任务定义、结构表示方法、主要数据集、模型演进及典型应用，并展望其在材料智能设计和理论计算–实验验证闭环系统方面的未来发展方向。