ARTICLE · 1203506
AI能设计新材料,为什么还是落不了地?
实验室里跑出一个好结果，想复现，发现工艺参数对不上；想用AI预测材料性能，发现数据格式五花八门，清洗比建模还费时间；好不容易训好一个模型，换台设备、换个批次，预测就不准了。
这篇发表在 Communications Materials 上的综述，讨论的正是这个问题：材料发现和先进制造，缺的不是单个AI模型，而是从数据到部署的整套开源基础设施。
01 核心问题：材料发现的瓶颈，不在算法，在基础设施
论文开篇回顾了材料发现范式的演进：
经验科学 → 理论科学 → 计算科学 → 大数据驱动 → 生成式AI
每一次范式跃迁，都让材料探索的效率和范围大幅提升。但论文指出一个关键问题：
当代材料发现，不是靠单一方法，而是数据中心实践、物理模拟和机器学习的协同。
数据决定了模型能学什么；
模拟提供了物理因果性；
机器学习提供了高维设计空间的 scalability。
三者互补，但它们的有效整合，需要基础设施层面的支撑。论文的核心主张是：
材料发现应该被当作系统级问题，数据、模型和计算工作流必须协同设计，而不是孤立对待。
换句话说，可重复性、可扩展性和长期可持续性，不能只靠单个算法解决，必须嵌入整体研究框架。
02 数据生命周期：从采集到组织
论文按数据生命周期组织内容，覆盖采集、预处理、存储、组织、AI建模和部署。
数据采集：从手工实验到自动化系统
传统数据采集依赖实验，耗时、昂贵、依赖专家经验。数据往往分散在不同课题组，缺乏标准化，难以比较和共享。
现代数据采集包括：
开源数据库：PubChem（超1.13亿化合物）、ChEMBL、COD、ZINC、CSD、ICSD、PDB等；
自驱动实验室（SDL）：集成自动化、ML和机器人，形成闭环系统，实验设计、执行、优化无需人工干预；
数字孪生：物理实验设备的虚拟表示，支持远程监控和调整；
合成数据：MD、DFT、量子化学等in silico模拟，以及VAE、GAN等ML生成数据；
网络爬取：Beautiful Soup、Scrapy、Selenium等工具，从文献和数据库中自动提取数据；
AI驱动文献提取：BERT、GPT-3、GPT-4等LLM，从科学文献中大规模提取材料-性质关系。
关键结论：SDL把传统线性发现流程变成动态自适应系统，但物理自动化本身不保证标准化或可重复性，还需要SOP、质控样本、仪器校准和独立验证。
数据预处理：清洗、标准化、特征工程
材料数据异质性强，预处理是AI基础设施的关键第一步。
Pandas、NumPy：数据操作和数值计算；
RDKit：化学信息学，分子标准化、指纹生成、化学特征提取；
OpenRefine、KNIME、Talend：可视化预处理流程；
Apache Spark：大规模分布式数据处理。
数据存储：云与边缘计算
云计算：AWS、Azure、GCP，提供可扩展的HPC资源，支持大规模材料筛选；
边缘计算：在数据源头处理，降低延迟，适合实时分析；
混合方案：云+边缘，按计算需求和能效优化任务分配。
关键结论：云计算可扩展性强，但能耗和碳足迹是问题；边缘计算降低延迟，但算力和存储有限。混合方案是务实选择。
数据组织与索引
材料数据组织的挑战包括：数据类型多样、可扩展性、互操作性、溯源记录不足。
FAIR原则：可发现、可访问、可互操作、可重用；
灵活数据模型：Materials Project支持新数据类型；
EMMO：欧洲材料建模本体，建立通用描述框架；
AiDA：基于图的数据结构，捕捉计算和数据的复杂关系；
分层索引、语义索引、自适应索引：提升检索效率。
03 AI建模：从预测到生成
论文系统梳理了材料科学中的AI模型类别。
传统ML模型
SVM、ANN、决策树等，在材料合成优化、纳滤、生物材料开发中表现有效。贝叶斯优化和随机森林，减少了实验需求，推动了纤维素复合材料、离子液体、金属玻璃等研究。
深度学习模型
图神经网络：PU-MPNN预测有机半导体性质，训练时间减少98%，准确率超80%；
通用原子间势：MACE、CHGNet，RMSE低至0.3–0.7 J/m³；
CNN和DenseNet：微结构分类，准确率超94%；
DeepXRD：预测XRD谱；
SA-GNN、GeoCGNN：形成能MAE低至0.044 eV/atom；
MultiMat：多模态数据整合，弹性张量MAE降低10%。
外推问题
论文特别指出：很多材料科学中的OOD评估，实际上反映的是插值而非真正的外推，导致泛化能力被高估。
E2T框架：用匹配神经网络，在人工生成的外推任务上训练，在聚合物和杂化钙钛矿中展现出优越泛化能力；
更严格的OOD基准：确保评估考虑真正不同于训练数据的材料。
联邦学习
联邦学习是去中心化训练范式，模型更新共享，原始数据留在本地。适合材料科学中数据分散、隐私或IP受限的场景。
MatSwarm：联邦学习+区块链+可信执行环境，支持大规模多机构参与；
增材制造：联邦学习用于熔池异常检测、零件认证和尺寸预测，性能接近集中式学习。
可解释AI
XAI在材料科学中越来越重要，用于：
验证学习到的关系是否符合领域预期；
识别可操作的变量；
将模型行为转化为人类可理解的假设。
两种范式：
事后、模型无关解释：SHAP、LIME，量化输入如何驱动预测；
内在可解释或物理融合建模：CrabNet等，可解释性嵌入表示或架构。
关键结论：XAI输出应被视为模型行为的解释，用于验证、优先级排序和约束设定，而非因果关系的直接证据。
生成式AI
VAE和GAN：逆向设计的基础工具，但训练需要大数据，生成样本可能过于接近训练集；
扩散模型：通过迭代去噪生成候选，训练更稳定，结构保真度更高，支持条件生成；
LLM到agentic AI：MOFGPT、MAPPS、MatAgent、MOFGen等，整合LLM推理、生成模型、物理评估和外部工具，实现迭代优化。
关键结论：agentic AI仍面临可靠性、可解释性和标准化挑战。领域专用、多模态基础模型，以及带显式规划和人在回路控制的agentic架构，是未来方向。
04 开源部署与可及性
论文强调开源部署在材料发现中的价值。
基础设施和部署工具
GitHub：版本控制，CI/CD流水线；
Docker、Kubernetes、VirtualEnv：容器化环境，消除依赖冲突；
Streamlit、Flask：交互式Web应用；
Hugging Face：模型和数据集共享。
可及性与数据透明度
完全开源系统：BLOOM，模型、训练数据、文档全部开放；
半开放系统：LLaMA、Gemini，训练数据不透明；
封闭系统：GPT-4，训练数据完全保密，阻碍独立验证。
关键结论：透明度直接影响可重复性和可信度。材料发现依赖高质量、可溯源的数据集，封闭系统可能限制多样性覆盖和协作。
05 新兴技术：量子计算与区块链
量子计算
Willow量子芯片：纠错和稳定性突破；
分子量子比特：化学可调，长相干时间；
VQE、qubit-ADAPT-VQE：计算分子基态能量，MOF吸附和CO₂捕获；
Grover搜索：识别Ni-Ti形状记忆合金；
量子相位估计：研究耐腐蚀材料。
量子机器学习
QNN：硬件木马检测，准确率97.27%；
QLSTM：逆合成任务，准确率80%；
QVC、QSVM：过渡金属化合物分类，准确率99%；
QGPR、QKRR：预测压电系数、带隙、NMR化学位移。
区块链
数据组织与存储：Merkle树、IPFS、动态数据模板；
安全透明数据共享：智能合约、去中心化账本、来源追踪；
协作与开放研究：BlockFlow、Hyperledger Fabric；
联邦学习+区块链：去中心化协作，无需集中化数据。
06 碳足迹与环境影响
论文专门讨论了AI计算的环境成本。
关键数据：
2020年ICT行业占全球温室气体排放的1.4%；
数据中心和传输网络贡献0.1–0.2%；
ML训练能耗年增长150%，推理增长105%；
BLOOM语言模型排放24.7–50.5吨CO₂；
GPT-3排放284吨CO₂，相当于一辆汽车终身排放。
应对策略：
FLOPs：衡量计算强度的标准指标；
生命周期评估（LCA）：考虑运营能耗和硬件制造、处置的嵌入式排放；
CodeCarbon、Carbontracker、eco2AI：实时监控能耗和温室气体排放；
TPU：比传统CPU和GPU能效高30–80倍；
可再生能源数据中心：Google 2017年起100%可再生能源，AWS 2025年目标，Microsoft 2030年碳负。
关键结论：材料发现社区需要双管齐下——创新和可持续性。优化模型架构、使用高效硬件、优先可再生能源数据中心、延长硬件寿命，都是必要措施。
07 伦理与负责任创新
论文强调AI驱动材料发现的伦理问题：
数据集偏见：导致预测偏差和不公平的材料推荐；
黑箱模型：降低科学信任；
负责任创新：需要透明度、问责制和公平获取。
指导框架：
OECD AI原则；
UNESCO AI伦理指南；
FAIR数据实践；
XAI、LCA、伦理审查：整合到模型开发中。
08 案例研究：纤维基包装材料的端到端AI基础设施
论文用一个完整案例，展示AI基础设施如何用于设计、验证和放大高性能纤维基包装材料。
Step 1：数据采集与知识聚合从Materials Project、NOMAD等数据库聚合数据，用Scrapy、Beautiful Soup爬取文献，用LLM提取方法细节和实验条件。
Step 2：数据标准化与特征工程用Pandas、NumPy清洗、归一化、标注，识别纤维组成、涂层配方、工艺条件和终端性能之间的关联。
Step 3：模型开发与生成式筛选用GAN提出候选聚合物-纤维复合材料、纳米添加剂分散体和生物基层压结构，用贝叶斯优化平衡性能、成本、环境影响。
Step 4：结构-性能分析与多尺度建模用CNN分析SEM和AFM图像，检测表面缺陷和分层风险；用GNN建模纤维素原纤相互作用和交联行为；用DNN整合热物理性质、工艺参数和降解模型。
Step 5：模拟引导验证与自主实验用MD模拟水蒸气和氧气扩散，用FEA评估机械稳定性，用SDL进行机器人合成和表征。
Step 6：放大、监控与部署用LCA和TEA量化环境足迹、能耗和成本效益，用PINN模拟制浆、涂层和干燥动力学，用区块链记录数据来源和合规性，用边缘AI传感器实时监控纤维排列和涂层分布。
关键结论：这个案例展示了AI基础设施如何协调数据摄入、建模、模拟和制造反馈，支持可持续高性能纤维基包装材料的规模化开发。
09 我读后的几点感悟
第一，材料发现的瓶颈，越来越像“基础设施问题”，而不是“算法问题”。数据格式不统一、来源不可追溯、工具不可复用、部署不可扩展，这些问题比模型精度更影响实际进展。
第二，开源不是口号，是材料AI能否协作的关键。封闭系统可能保护商业利益，但也限制了数据多样性、独立验证和跨机构协作。材料发现需要FAIR原则真正落地。
第三，AI的环境成本必须被认真对待。训练一个大模型的碳排放，可能相当于一辆汽车终身排放。材料发现本身是为了可持续发展，如果AI基础设施本身不可持续，就自相矛盾了。
第四，agentic AI很热，但可靠性、可解释性和标准化仍是硬骨头。LLM在材料任务中可能幻觉、数值推理弱、结构信息处理不一致。领域专用、多模态基础模型，加上人在回路控制，是更务实的方向。
第五，从实验室到工厂，需要全生命周期视角。LCA、TEA、实时碳追踪、区块链溯源，这些不是附加项，而是AI驱动材料发现基础设施的组成部分。
10 对科研人员的启示
做材料AI，先建数据基础设施。数据采集、清洗、标准化、存储、索引，每一步都影响模型上限。不要等到建模时才处理数据问题。
优先使用开源工具和数据库。Pymatgen、Matminer、RDKit、ASE、Materials Project、OQMD、NOMAD等，能大幅降低开发成本，提高可重复性。
把物理约束嵌入模型。PIML、PINN等方法，能提高数据效率、可解释性和鲁棒性，减少非物理预测。
关注外推，而不只是插值。很多OOD评估实际上是插值。用E2T等框架，或更严格的OOD基准，才能真正测试泛化能力。
考虑联邦学习。如果数据分散、隐私或IP受限，联邦学习能在不共享原始数据的前提下，实现协作建模。
把可持续性设计进流程。用CodeCarbon、Carbontracker等工具追踪碳足迹，优化模型架构，优先可再生能源数据中心。
拥抱开源，但也要关注治理。开源提高可及性和透明度，但也需要数据治理、伦理审查和知识产权保护。
一句话总结
材料发现的下一步，不是再多一个AI模型，而是构建透明、可扩展、可持续的开源基础设施——从数据采集到AI建模，从实验自动化到工业部署，把数据中心实践、物理模拟和机器学习真正协同起来。
论文的核心洞察是：可重复性、可扩展性和可持续性，不能靠单个算法解决，必须嵌入整体研究框架。 这对做材料AI、自动化实验、智能制造和科研基础设施的科研人员，都有长期参考价值。
原文信息Mariangeles Salas, Anand Singh, Carlos Pignataro, Lokendra Pal. AI-powered open-source infrastructure for accelerating materials discovery and advanced manufacturing. Communications Materials, 2026, 7:65.DOI: 10.1038/s43246-026-01105-0资源库：https://palarmi.github.io/ai-infrastructure-for-materials-discovery本文为综述解读，版权归原作者所有；若引用请以原文为准。
一个模型搞定分子和材料：ZATOM-1的跨域统一建模开源模型
一个模型搞定化学、生物、材料百种任务：SciReasoner奠定跨学科科学推理基础
AI正在改写材料科学的“游戏规则”：从“试错”到“设计”，从“人类直觉”到“机器认知”
从LLAMA到LLAMAT：当材料科学遇上大语言模型，一场“小而美”的逆袭
