ARTICLE · 1257689
AI能预测220万种晶体,为什么新材料还是难落地?
材料AI最缺的不是算法，是数据。更准确地说，是高质量、多来源、能闭环的数据。
01 先从一个矛盾说起
2023 年，GNoME 用图神经网络预测了 220 万种新型稳定晶体结构，把人类已知稳定材料的数量推高了一个数量级。几乎同时，A-Lab 在 17 天连续运行中，把计算筛选、文献配方和机器人实验串起来，成功合成了一批新化合物。
一边是计算筛选的“爆发”，一边是实验验证的“稀缺”。这篇综述要回答的核心问题很直接：
数据从哪里来？
因为数据是 AI 的燃料，而材料科学最缺的，恰恰是燃料。
02 材料AI的数据瓶颈：不是缺数据，是缺“好数据”
材料科学的数据稀缺，不是一句“数据少”就能概括。它至少有三层表现：
总量稀缺：ImageNet 有 1400 万标注图像，GPT-3 训练于 45TB 文本；而 Materials Project 只有约 17.8 万种材料的计算数据，实验确认的无机晶体结构也只有约 32 万种。
覆盖不均：研究资源集中在钙钛矿、二维材料等热门体系，局部数据过饱和；高性能结构材料、跨维耦合性质却数据稀疏，形成大量“数据孤岛”。
质量参差：实验数据受样品制备、测试环境、仪器精度影响，不同来源可比性差；计算数据也有系统性偏差；材料命名、化学计量比、晶体学参数缺乏统一标准。
更麻烦的是，数据获取本身很难。
材料宏观性能与微观机理之间，涉及电子结构、晶格缺陷、介观组织等多尺度耦合，还有热、电、磁等多物理场相互作用。很多合成和表征需要超高温、极低温、强磁场等极端条件，单次实验成本可达数千元甚至更高。
大量有价值的实验数据还分散在数十万篇文献里，以非结构化自然语言和图表存在。人工提取费时费力，自动提取又面临文本理解、数据识别、关系抽取等难题。阴性结果往往不被报道，数据存在系统性偏差。
计算数据也不是“想算就能算”。精确求解多体薛定谔方程存在“维数灾难”，高通量计算必须引入近似。高精度杂化泛函成本极高，常用 GGA-DFT 对带隙、相变温度等关键性质存在系统性误差，对含 d/f 电子的强关联体系描述能力也有限。
所以，数据瓶颈不是单点问题，而是获取、质量、标准化、共享的系统性问题。
03 路径一：高通量 DFT 计算数据库
密度泛函理论（DFT）自 1960 年代提出以来，已成为材料电子结构计算的主流方法。进入 21 世纪，计算能力指数增长，DFT 软件成熟，高通量计算成为可能。
高通量计算把自动化工作流和高性能计算结合，实现了材料性质的批量预测。 材料研究从点状探索走向系统扫描。
目前国际上已建成多个大规模 DFT 材料数据库：
Materials Project：约 100 万条目，劳伦斯伯克利国家实验室，含无机、分子及电池材料；
AFLOW：>350 万条目，杜克大学，规模巨大，侧重合金与对称性分析；
OQMD：>130 万条目，西北大学，热力学稳定性、相图计算；
NOMAD：>1900 万条目，欧洲联合体，最大的计算材料学资源库；
GNoME：约 220 万，Google DeepMind，大规模深度学习预测的新型稳定晶体结构数据集。
这些数据直接推动了材料 AI 模型的演进，大致经历三个阶段：
第一阶段：特征工程主导。Magpie 框架整合电负性、原子半径、第一电离能等原子属性；Pilania 等人在双钙钛矿带隙预测中系统评估超过 120 万个候选特征；Rupp 等人提出库仑矩阵方法，把分子薛定谔方程求解转化为非线性统计回归。局限：描述符多基于人工经验和化学直觉，难以表征长程有序和复杂非线性结构效应，换体系就要重新设计。
第二阶段：图神经网络革命。CGCNN 把晶体视为节点（原子）和边（化学键/距离）构成的图，通过消息传递端到端提取特征，将形成能预测平均绝对误差降至 0.039 eV/atom，较传统机器学习提升约 60%。SchNet 用连续滤波器卷积捕捉连续相互作用，MEGNet 引入温度、压力等状态变量。关键变化：从人工特征工程转向自动特征学习，通用架构无需针对不同性质反复调整。
第三阶段：基础模型与预训练。GNoME 通过大规模主动学习预测 220 万种新型稳定晶体，将已知稳定材料数量扩展 10 倍以上。CHGNet 等通用势函数兼顾 DFT 级精度和极高效率，模拟速率较传统第一性原理方法提升 7 个数量级。
但 DFT 数据也有固有局限：计算精度和效率存在权衡，性质覆盖有限，缺乏合成信息，计算与实验之间存在鸿沟。 这正是后两条路径要补的课。
04 路径二：用大语言模型挖掘文献
科学文献是材料知识的重要载体，也是长期被低估的数据宝库。仅材料科学领域的学术出版物就超过 600 万篇，且每年以数十万篇速度增长。
文献里有什么？合成配方、表征数据、性能测试结果，还有宝贵的经验知识——特定条件下实验的成败关键与优化路径。
问题是，这些信息绝大多数以非结构化自然语言存在，机器难以直接读取。
早期工具如 ChemDataExtractor 尝试自动生成电池材料数据库；MatSciBERT 作为首个材料科学领域预训练语言模型，在命名实体识别、关系分类等任务上显著优于通用科学模型 SciBERT。
2022 年以来，GPT、LLaMA 等大语言模型带来质的飞跃：
上下文理解更强：能判断 BPDSC 与 4,4'-联苯二磺酰氯指代同一化合物；
少样本/零样本学习：仅提供 2~3 个示例，GPT-4 的关系抽取性能即可超越专门训练的基线；
直接输出结构化格式：如 JSON，简化从非结构化文本到结构化知识的流程。
典型应用也很具体：
Zheng 等人开发基于 ChatGPT 的 MOF 合成条件提取框架，在 MOF 结晶条件分类任务中 F1 分数达到 0.90–0.99，信息提取准确率达 0.96；
Foppiano 等人评估 GPT-3.5/GPT-4 在超导材料文献中的表现，微调后的 GPT-3.5-Turbo 在关系抽取任务上超越所有基线；
Walker 等人用 LLM 从文献中提取金纳米棒合成流程，通过迭代微调持续提升准确率；
Kononova 等人从 24000 多篇论文中提取无机材料合成配方。
但 LLM 有个致命问题：幻觉。它可能生成毫无文献依据的“伪数据”。
所以实际应用中通常要引入 检索增强生成（RAG），强制模型基于检索到的真实文献片段进行定向提取；再辅以领域专家人工校验，形成“机器初筛—专家定稿”的闭环。
文献挖掘的价值：释放人类积累的实验知识，弥补计算数据与实验数据之间的鸿沟。局限：历史数据多、需要验证、存在发表偏差，提取质量依赖 RAG 和人工校验。
05 路径三：超快制备与高通量实验
实验数据是材料 AI 实现应用闭环的“最后一公里”。
相比计算和文献数据，实验数据可靠性更高，能直接反映材料真实性能，还能获取计算难以预测的加工性能、长期稳定性、批次重现性等信息。实验中常出现预期之外的发现，这往往是重大突破的来源。
但传统材料合成与表征太慢。陶瓷常规烧结要数小时乃至数十小时，一个完整的“设计—合成—表征—测试”循环通常以周为单位。DFT 计算可在数秒内完成一种材料的性质预测，实验验证却需要数天。计算筛选与实验验证之间的速度失配，是当前材料 AI 的核心矛盾之一。
超快制备技术正在改变局面。
2016 年，陈亚楠和胡良兵团队提出超快高温热冲击方法（HTS）：利用焦耳加热，在 10 ms 内实现高达 1700 K 的瞬时高温，在还原氧化石墨烯基底上成功制备并稳定直径约 10 nm 的活性纳米颗粒，解决了纳米颗粒高温易团聚、易氧化的难题。
后续发展更极端：
在 77 K 液氮环境中进行热冲击，在 Pt 纳米晶中诱导高密度位错，显著增强析氢反应活性；
超快高温烧结工艺在 数秒内完成高性能陶瓷的合成与致密化，抑制挥发性元素损失；
HTS 与增材制造结合，开发可 3D 打印的高温高速加热器，制造任意形状和定制热场分布的加热元件。
高通量技术则通过并行化、自动化和规模化实验设计，系统探索广阔材料组分空间。
一个代表性案例是高熵合金筛选：利用超快高温冲击高通量制备 HEA 催化剂，自动移液机械臂滴加催化剂墨水，定制电解池配合动态强制对流循环，再用混合遗传算法—实验迭代优化。经过四次迭代，识别出具有最优过电位的组合。
实验数据的优势：可靠性高、可定制、实时性强。传统局限：成本高、通量低。超快制备和高通量技术正在快速改变这一点。
06 自主实验室：三种数据源的闭环融合
“干湿闭环”实验室，融合“干实验”（理论计算与 AI 模拟）和“湿实验”（自动化合成与表征），代表材料研究范式的根本性变革。
完整自主实验室包含三个核心环节：
数据输入：整合计算预测、文献挖掘、实验表征的多源信息；
智能决策：AI 识别知识空白、预测候选材料、规划实验序列；
数据反馈：新实验结果即时更新模型，优化预测能力。
几个标志性系统：
移动机器人化学家利物浦大学 Burger 等人提出模块化、移动性方案：不改造实验室，让机器人适应现有设备。配备六轴机械臂和灵巧抓手，能操作移液器、天平、pH 计、光谱仪等标准仪器。在光催化剂氢材料优化中，面对十维变量空间，传统网格搜索需要数万次实验；通过批量贝叶斯优化，机器人 8 天仅执行 688 次实验，就识别出活性比初始配方高 6 倍的光催化剂组合。从实验设计到高性能材料发现，效率提升约 3 个数量级。
高熵催化剂自动发现针对碱性析氧反应，从 16 种候选元素中选 6 种构成高熵羟基氧化物，对应 190 万种可能组分。自动化平台合成初始样品库，机器学习建立“组分—活性”关系，再在全空间虚拟筛选。模型达到近 100% 召回率，预测最优催化剂过电位仅 159 mV，稳定运行超 10000 小时。当结构信息缺失时，高通量实验数据驱动成为唯一出路。
A-LabA-Lab 代表自主实验室的更高形态：利用 Materials Project 和 GNoME 的 DFT 数据筛选热力学稳定目标化合物，基于自然语言模型从文献中提取合成路径生成初始配方，机器人执行实验后，失败案例输入主动学习算法优化合成条件。17 天连续运行，成功合成一批新化合物。更重要的是对失败案例的系统分析：约三分之一因 DFT 预测误差，三分之一因动力学阻碍，三分之一因工艺未优化。这些信息直接反馈改进计算筛选和合成策略，体现闭环系统的自我进化能力。
三类数据源各有优劣，可以这样对比：
DFT 计算：规模大（百万级），成本中，可靠性中，性质覆盖有限，无合成信息，实时性高；
文献挖掘：规模中（十万级），成本低，可靠性中，覆盖广，合成信息丰富，实时性低；
高通量实验：规模小→中（快速增长），成本高，可靠性高，可定制，合成信息完整，实时性高。
自主实验室的核心价值，是让计算提供候选、文献提供配方、实验验证结果、主动学习优化策略，形成正反馈循环。
07 几点感悟
第一，数据是 AI 的燃料，但材料科学的燃料不是“更多数据”，而是“更高质量、更多来源、能闭环的数据”。单靠 DFT 不够，单靠文献不够，单靠实验也不够。三者融合，才可能把“数据稀缺”变成“数据丰富”。
第二，失败数据被严重低估。A-Lab 对失败案例的系统分析，直接改进了计算筛选和合成策略。阴性结果、失败实验、低产率条件，都是模型理解“什么不可行”的关键信息。只收集成功案例，模型学到的材料空间是偏的。
第三，实验速度是材料 AI 的隐形瓶颈。计算筛选可以在数秒内完成，实验验证却要数天。超快制备和高通量技术把合成周期压缩到秒级，才让“计算—实验”闭环真正跑起来。
第四，LLM 挖掘文献很强大，但不能迷信。幻觉会生成“伪数据”。RAG + 专家校验，是当前比较务实的方案。机器初筛、专家定稿，效率与可靠性才能兼顾。
第五，自主实验室不是“无人实验室”，而是“知识生成系统”。它最大的价值不是省人力，而是让每一个实验数据点的价值最大化，用最少实验获取最多知识。
08 对科研人员的启示
做材料 AI，先问数据从哪来。不要只盯着模型架构。数据规模、覆盖、质量、标准化，往往决定模型上限。
把失败实验和阴性结果当资产。它们能界定可行域，帮助模型避免重复踩坑。
多源数据融合是趋势。计算数据提供候选，文献数据提供合成先验，实验数据提供验证，主动学习负责迭代。
关注实验通量。如果实验验证速度跟不上计算筛选，闭环就很难真正高效。超快制备、高通量表征、自动化平台值得布局。
标准化和共享是基础设施。FAIR 原则不能只停留在口号。统一数据字典、本体库、结构化原始数据强制汇交，才能真正释放数据价值。
培养懂材料、会编程、擅数据的复合型人才。材料信息学不是材料加编程的简单叠加，而是需要理解物理约束、数据治理和 AI 方法的交叉能力。
09 一句话总结
AI 赋能材料科学，关键不只是更聪明的算法，而是更完整的数据生态：计算给候选，文献给配方，实验给验证，闭环给进化。
当计算、文献、实验三种数据源深度融合，当人类智慧与机器智能协同合作，材料科学才可能从“经验试错”走向“智能设计”，真正实现研发范式的变革。
原文信息黄鹏飞，陈亚楠. 人工智能驱动新材料发现：数据瓶颈突破与研发范式变革. 本文为该综述的科研解读，非原文翻译；细节请以原文为准。
