AI已经能够预测材料性能,下一步呢?

AI已经能够预测材料性能，下一步呢？

清华大学学者展望材料科学AI发展的下一个十年

过去十年，人工智能（AI）正在改变材料科学的研究方式。从预测材料性能、筛选候选材料，到利用机器学习指导实验，AI逐渐成为材料研发的重要工具。但一个值得思考的问题是：当AI已经能够预测材料性能，甚至指导实验之后，未来还能为材料科学带来什么？

近期，清华大学学者在Nature Reviews Materials发表评论文章“A decade of machine learning for materials development”，回顾了过去十年机器学习在材料领域的发展，并展望了未来十年的重要方向。

这篇文章最值得关注的观点是：AI需要从预测材料的静态性能，进一步发展到理解材料在合成、加工和实际运行过程中的动态演化。

一、过去十年：从材料预测到智能实验

早期材料AI主要利用已有数据库，建立材料结构与性能之间的关系。

例如，图神经网络（Graph Neural Networks）能够学习材料中的原子结构和连接关系；机器学习原子间势函数则可以加速原子尺度模拟。

这些方法显著提高了材料筛选和性质预测的效率。随后，研究方向逐渐转向主动学习（Active Learning）。AI不再只是分析已有数据，还能够根据实验结果和模型的不确定性，推荐下一步最值得开展的实验。

由此形成一个循环：实验 → 数据分析→ AI推荐 → 新实验→ 模型更新。自驱动实验室正是这一发展方向的代表。

二、未来十年：AI需要理解材料如何变化

这是文章最核心的观点。

目前，许多材料AI模型主要关注材料的初始结构和静态性能。然而，真实材料并不是静止的。例如：

• 催化剂在反应过程中会发生表面重构；
• 聚合物的性能受到分子结构和加工历史影响；
• 半导体异质结会发生界面演化；
• 光伏器件在长期运行中可能出现缺陷形成和离子迁移。

即使材料具有相同的初始组成，也可能因为不同的加工历史和运行环境而表现出不同的性能。因此，未来AI需要学习的不仅是材料的结构，还包括材料的加工历史、老化过程、非平衡演化以及实际工作环境。作者提出的一个重要方向是跨尺度研究：将原子、分子、界面、微结构与器件性能联系起来，同时理解从飞秒级原子运动到多年运行老化的不同时间尺度。这意味着材料AI需要从传统的：结构-性能相互关系。进一步发展到：结构-加工-历史-性能相互关系。

三、作者的研究案例：AI不仅要预测，还要提取科学规律

文章介绍了作者团队在催化剂和聚合物领域的研究。

例如，SurFF模型用于预测金属间化合物的表面形貌，加速对催化材料表面结构的研究。PolyRL则利用强化学习生成聚合物候选材料，并通过分子模拟评估其性能。

这些案例说明，AI可以帮助研究人员探索更大的材料空间。

但作者也强调：机器学习发现的相关性并不等于科学机制。真正有价值的模型，应当能够提出可以通过理论计算和实验验证的科学假设。

四、对钙钛矿太阳能电池研究有什么启发？

这篇文章的思想对钙钛矿研究尤其值得借鉴。

目前，机器学习可以用于筛选添加剂、优化前驱体配方和预测器件效率。但钙钛矿器件的实际性能还受到长期运行过程中材料变化的影响。

例如：

• 离子液体如何调节钙钛矿结晶？
• 它们如何改变埋底界面的化学状态？
• 界面在光照、热和电场作用下如何演化？
• 初始钝化效果能否转化为长期稳定性？

未来可以将分子设计、自动化实验、原位表征和长期稳定性测试结合起来，建立更加完整的AI辅助材料研发体系。

这也是从单纯优化初始PCE，走向理解材料退化机制和预测器件寿命的重要方向。

结语：从预测材料，到理解材料

回顾过去十年，AI已经从材料性能预测发展到主动学习和自动化实验。

但这篇文章提醒我们，找到一种具有良好初始性能的材料，只是材料研发的第一步。

真正有价值的材料，还需要能够被可靠地合成、加工，并在实际环境中长期保持性能。

未来AI for Materials的重要方向，不仅是预测材料具有什么性质，更是理解材料为什么发生变化，以及这些变化如何影响最终性能。

从预测材料，到发现材料，再到理解材料如何演化—这或许就是材料科学AI未来十年最值得期待的发展方向。