夜雨聆风
在全球科技创新浪潮推动下，材料科学正从经验试错模式向智能设计模式转型。本文综述了人工智能（AI）在材料成分与结构设计、性能预测、合成优化及工业实践中推动材料研发从经验试错向智能设计范式转型的前沿进展。阐述了AI技术对数据稀缺和多尺度建模等挑战的应对方案。未来，AI将推进材料研发向数据驱动、自主决策和智能迭代的高阶范式加速跃迁。
在全球科技创新浪潮推动下，材料科学正从经验试错模式向智能设计模式转型，人工智能（AI）凭借强大的数据处理与跨尺度建模能力，成为这场变革的核心驱动力。技术突破加速向市场转化，释放显著商业价值。
各国将“AI+材料”列为战略重点，中国“十四五”规划为AI与新材料领域部署了逾千亿资金；欧盟Horizon Europe计划投入50亿欧元推动可持续材料发展。
学术研究同样呈现爆发式增长，本文基于Web of Science核心合集、Scopus、中国知网（CNKI）、万方数据知识服务平台及Materials Project等材料专用数据库开展多源检索。如图1所示，2021—2024年关键技术、核心应用、突破进展、范式革新4类文献数量持续增长，领域研究热度逐年攀升；2025年虽仅统计半年，各研究维度均受关注，展现出发展活力。主题分类占比情况如图2所示，反映出研究聚焦材料性能等核心环节，同时也提示需关注数据标准化等未来挑战，以推动领域发展。
图1 近5年“AI+材料”主题文献分类及数量变化趋势
图2 近5年“AI+材料”主题文献分类占比统计
我们系统综述了AI驱动先进材料研发的进展，从关键技术、核心应用、突破进展及范式革新4个维度构建分析框架，为突破技术瓶颈、推动产业化应用提供参考，本文的总体框架如图3所示。
图3 研究的总体框架
人工智能在先进材料研发中的核心应用
1.1 AI驱动的材料成分与结构设计
AI驱动的材料成分与结构设计借助机器学习、深度学习等技术，实现材料性能预测、微结构与机械行为关联优化、金属有机框架生成及超材料性能定制，完成新型合金、电极材料等成分筛选与晶体微观结构设计，突破传统试错效率瓶颈，推动材料设计向自动化、定制化发展并加速高性能材料研发进程。
针对成分优化方向，核心是实现目标性能导向的精准筛选与调控。深度学习框架通过集成生成器与预测器，实现磁流变弹性体成分的逆向设计，精准调控其磁致储能模量，磁流变弹性体的深度学习正向预测与逆向设计框架见图4，正向基于比例特性并结合物理信息预测性能，逆向则依据目标性能指导材料配比。
图4 磁流变弹性体深度学习正向预测与逆向设计框架
在结构定制层面，重点是构建功能需求与微观结构的智能匹配体系。AI通过数据物理融合实现多维度调控，深度学习借助条件生成对抗网络实现弹性超材料带隙的逆向定制；机械超材料领域，基于图的深度学习统一桁架结构的设计空间，涉及生成建模的编码解码及逆向设计的梯度优化流程；光学超材料和太赫兹超材料的逆向设计，推动结构设计向自动化演进；从机械超材料微结构设计到非晶材料多尺度建模、4D打印活性板材设计及生物启发材料跨尺度优化，AI正构建多尺度协同的结构设计新范式。
1.2 AI驱动的材料性能预测与仿真
AI驱动的材料性能预测与仿真借助深度学习框架结合迁移学习、层次神经网络等多样化机器学习方法，融合物理机理与数据驱动模型，实现对晶格热导率、超导体临界温度等材料关键特性的跨尺度精准预测及多维度非线性关系建模，广泛应用于能源、复合材料等领域，显著提升预测仿真效率与精度并支撑多尺度性能优化。
一方面，基础属性预测聚焦材料核心物理化学特性的高精度计算。
另一方面，复合材料预测则针对多组分、跨尺度的复合材料体系，解决复杂结构下的性能分布与调控难题。
1.3 AI驱动的材料合成与缺陷控制
AI驱动的材料合成与缺陷控制依托机器学习、深度学习、高通量实验与数据分析、深度生成模型、可解释AI结合有限元分析，以及自动化合成平台、机器人技术和深度学习缺陷检测等手段，实现材料合成工艺优化、制备加速、成分探索及晶体结构计算提效，同时完成缺陷高精度预测评估与微观调控，显著提升研发效率质量并优化制备工艺。
合成优化方向的核心是通过数据驱动减少实验试错次数，提升合成效率与产物均一性。缺陷调控方向则聚焦材料制备过程中的缺陷识别与控制，保障材料服役性能与稳定性。可解释AI结合有限元数据构建高精度模型，实现对复合材料缺陷特征的精准预测，为材料健康监测提供关键技术支撑。
人工智能驱动材料研发的关键技术与方法
人工智能通过3大创新方法体系深度重构材料研发路径：
数据驱动方法革新材料数据处理与表征，克服数据稀缺瓶颈；
物理嵌入建模融合物理原理与AI技术，增强多尺度模拟能力并提升性能预测精度；
AI驱动实验系统构建自主合成平台与智能监控工具，驱动材料研发向高通量自驱动范式演进。
2.1 AI驱动的材料数据驱动方法
AI驱动的材料数据驱动方法以突破数据瓶颈为核心，运用机器学习算法处理高通量材料数据，构建数据与性能的关联模型，推动材料数据库与智能筛选技术发展，显著提升材料研发效率。
数据扩充环节重点解决材料数据样本稀缺、多源异构的难题。少样本学习通过整合数据库资源、开展高通量实验扩充数据集，材料科学少样本数据集扩展及机器学习方法如图5所示；借助迁移学习等策略挖掘小样本价值，推动数据从“小数据”向“大数据”跨越。
图5 材料科学少样本数据集扩展机器学习方法
数据利用与优化环节聚焦数据的高效转化并关注数据可靠性对技术应用的影响。深度迁移学习能够快速预测复合材料等效性能；同时，神经网络算子可提取微结构与力学响应关系，支撑超材料逆向设计。此外，数据驱动平台集成计算资源、数据库与算法，在储能材料筛选、钙钛矿合成等领域发挥重要作用。
2.2 AI驱动的材料物理嵌入建模
AI驱动的材料物理嵌入建模将密度泛函理论、晶体对称性等物理机制融入机器学习模型，构建起高效的跨尺度研发范式，显著提升对复杂材料体系的预测与设计能力。从技术逻辑出发，可分为物理机制注入与跨尺度建模融合2个维度。
物理机制注入维度的核心是将材料科学的基础物理规律融入AI模型，提升模型的理论支撑与解释能力。
在跨尺度建模融合维度，针对复杂材料体系的多尺度特性，解决性能关联与调控的难题。
物理模型与AI从数值、图像及机制3个方面进行整合，成功解决跨尺度建模中准确性与可解释性的矛盾。
2.3 AI驱动的材料实验系统
AI驱动的材料实验系统通过整合自主实验室、机器人平台与主动学习算法，构建“计算−实验−验证”闭环，以自动化、智能化与数据整合模式加速材料研发进程。结合实验系统的核心功能，从自主实验设备构建与过程仿真优化两方面展开。
自主实验设备构建的重点是通过硬件自动化与算法集成，减少人工干预并提升实验效率。基于AI与机器人技术构建的自主实验室，能够高效合成新型无机化合物，AI驱动加速新材料自动合成自主实验室框架见图6，可自主探索电子聚合物薄膜制备工艺，实现性能优化。
图6 AI驱动加速新材料自动合成自主实验室框架
过程仿真优化方面，则通过软件层面的仿真与数据关联，为实验过程的优化与调控提供支撑。AI融合传统仿真挖掘工艺与性能关联，为制造过程的数字孪生提供技术支撑。此外，机器学习贯穿能源材料多尺度设计，推动自主实验室与量子计算的集成应用，显著缩短材料研发周期。
人工智能驱动材料研发的技术突破和工业级实践及挑战
针对数据稀缺、高维复杂性等核心挑战，创新AI方法通过融合物理机制、嵌入领域知识及多模态框架等策略提供解决方案，展现应对关键难题的强大潜力。
3.1 AI驱动的材料研发技术突破
AI驱动的材料研发技术借助晶体图神经网络、多模态学习等创新手段，在相图扩展、逆向设计等领域实现关键突破，助力发现大量稳定化合物与创纪录的功能材料，重塑传统研发模式。具体可从材料发现效率提升与性能极限突破2个角度呈现。
从发现效率提升来看，AI技术显著扩大稳定化合物的筛选范围并提升验证效率，解决传统试错法“发现周期长、成功率低”的痛点。
从性能极限突破来看，AI技术通过逆向设计打破传统材料的性能极限，实现高性能材料的定向开发。
这些技术成果彰显AI在材料研发中的强大驱动力，加速新材料从理论预测到实际应用的转化进程。
3.2 AI驱动的材料工业级实践
AI驱动的材料工业级实践通过将机器学习辅助3D打印、自适应热超材料等技术与制造技术深度融合，实现热电材料、储能材料的工程化应用，攻克钙钛矿量产等工艺难题，推动高性能材料取得工程化突破。按应用场景的差异，可分为能源材料产业化落地与通用技术框架构建。
能源材料产业化落地方面，核心是解决实验室成果向工业量产转化的工艺适配难题。AI辅助3D打印优化热电材料配方与工艺，为废热发电应用提供可行的工程化方案，推动热电材料从实验室研发走向量产应用。
通用技术框架构建方面，聚焦为多场景材料应用提供标准化技术支撑，减少不同领域的重复研发成本。深度学习设计的自适应热超材料能依据环境温度自动调节热传导性能，为智能热管理设备开发构建通用框架。
3.3 AI驱动的材料研发核心挑战
AI驱动的材料研发面临数据稀疏性、模型可解释性及跨尺度物理机制融合等多维度挑战。
数据方面存在数据稀疏与复杂特征关联难题，尽管领域知识增强模型提升了卤化物双钙钛矿性能预测精度，但数据质量与可用性仍是制约发展的关键瓶颈。
从模型方面，多模态深度学习处理高维材料数据时参数优化复杂，未定义结构材料的模型可解释性与准确性难以平衡。
从实际应用方面，AI预测需同时考量理论与工艺可行性；固态储氢材料研发则受限于机器学习对成分、结构与性能关系的表征能力，难以匹配工业级材料的稳定性需求。
人工智能驱动材料研发的范式重构与未来路径
人工智能推动材料科学向多维度智能化转型：依托自主实验室、大语言模型构建“数据−智能−实验”闭环，借助自动化合成平台加速材料发现、以数据驱动优化设计。未来需整合跨尺度计算模拟、推广生成式AI、构建闭环自主智能实验室、推动材料数据标准化，突破瓶颈实现全链条智能化新范式。
4.1 AI驱动的材料科学范式革新
AI驱动的材料科学借助自主实验室、大语言模型等技术，实现研究流程自动化与知识发现，加速传统试错模式向“数据−智能−实验”闭环的智能化、自动化范式转型。自动化平台集成机器学习筛选与机器人合成功能，大幅缩短了钙钛矿固溶体的研发周期。与大数据融合构建的AI驱动自我运行实验室，可实现材料研发全流程自动化。这些技术推动材料科学从经验向数据智能驱动的全新范式跨越，重塑材料研究与开发的核心模式。
4.2 AI驱动的材料技术融合
AI驱动的材料技术融合通过多学科交叉催生“AI−物理−生物”协同框架，以等变神经网络、生物超材料设计等为代表，推动跨尺度材料创新与研究范式革新。深度学习与密度泛函理论结合的等变神经网络框架，为复杂材料体系研究提供有力支撑；生成相场建模与深度变分自编码器的融合，建立起微观结构与性能的逆向设计关联，揭示双相合金性能影响机制。合成生物学、超材料与人工智能的三向交叉衍生出生物超材料等新兴领域，构建跨尺度设计新范式。这些技术融合打破学科边界，推动材料科学向多技术协同驱动方向深度发展。
4.3 AI驱动的材料研发未来路径
核心在于深度整合多尺度计算模拟与人工智能技术，实现跨尺度材料性能的精准预测。广泛应用生成式AI模型，主动探索并设计新型分子结构及先进材料配方。大力构建闭环自主运行的智能实验室，融合机器人技术与高通量实验系统，实现设计预测验证全流程的自主迭代。推动全球材料数据的标准化与开放共享，建立高质量可互操作的数据库。这些变革将彻底取代传统试错模式，形成高度预测性、主动创造性与全流程自动化的研发新范式。
结论
人工智能正在深刻重构先进材料研发的全链条范式，通过机器学习、物理嵌入建模与自主实验系统的深度融合，实现了从材料设计、性能预测到合成优化的智能化突破。AI技术不仅显著加速了新型功能材料的发现与验证，克服了传统研发中的数据稀缺与多尺度复杂性等挑战，还通过逆向设计、高通量筛选与工业级优化推动了材料性能逼近理论极限。尽管在数据质量、模型可解释性、跨尺度融合等方面仍存在挑战，AI驱动的数据、计算、实验智能闭环已展现出颠覆性潜力，为材料科学向自主化、智能化与可持续发展转型提供了核心引擎。未来需进一步强化物理机制嵌入、多模态数据融合及跨学科协同，以实现材料研发范式的全面革新。
内容为【科技导报】公众号原创，欢迎转载白名单回复后台「转载」
精彩内容回顾
《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、本刊专稿、特色专题、研究论文、政策建议、科技人文等。
