https://doi.org/10.1016/j.aichem.2026.100107本文聚焦人工智能在功能分子与材料发现领域的应用，核心针对生成模型发展受限于实验数据混乱、高质量真值数据稀缺的行业瓶颈，系统整合了数据治理、表征方法、生成建模、闭环实验验证的全流程最佳实践，提出了可落地的四阶段工作流，同时梳理了核心算法体系、支撑基础设施、可重复性与伦理保障方案，最终给出实验室 AI 转型的优先级检查清单与未来开放挑战。
一、研究背景与核心瓶颈
传统分子与材料发现依赖耗时的试错实验，需在广阔的化学空间中无明确方向地筛选，在能源材料、环境应用、医药研发等领域效率极低。AI 与机器学习技术可大幅加速发现进程，图神经网络等模型已实现化学空间探索量级的突破，甚至可跳过传统数十年的实验流程。当前行业核心瓶颈在于真实世界实验数据与 AI 模型需求的根本性不匹配。Fig.1 展示了这一核心矛盾：AI 模型需要干净、标注完整的高质量数据，而真实实验数据普遍存在稀疏、噪声大、异质性强的问题；实验与模拟数据多为碎片化、质量参差不齐的状态，来自多种检测技术、仪器、合成路线的数据格式、噪声水平、元数据规范均不统一，导致强大的模型在真实数据上易失效或过拟合。生成式 AI 为该瓶颈提供了新的解决路径，可直接提出全新分子设计方案，通过将已知结构嵌入连续潜空间再解码生成新候选分子，实现从噪声数据到可用设计假设的转化。本文提出的核心解决方案，是一套打通模型构建与真实世界数据的闭环迭代工作流，将数据预处理、特征工程、生成建模、实验验证深度融合，确保生成的设计方案扎根于实验现实。
二、分子发现的核心数据挑战
这是 AI 驱动分子发现的首要障碍，综述从三大维度拆解了数据问题，并给出了系统性解决方案。Fig.2 具象化呈现了数据异质性、数据质量与稀疏性、隐性知识三大核心挑战的具体表现与化学领域实例。2.1 数据异质性
科学数据分为结构化、半结构化、非结构化三类，在材料与化学研究中，单个项目可产生从原子尺度的化学组成、晶体结构，到实验室规模的合成条件等多维度异构数据，核心问题体现在：结构差异：同一性质通过不同技术测量（如差示扫描量热法与毛细管法测熔点），结果格式与隐含假设不统一，无法直接对比；
单位与元数据不规范：温度、压力等参数单位冲突，电子实验记录本（ELN）中的自由文本缺乏标准化描述符；
表征数据变异性：不同场强的核磁、不同分辨率的红外光谱需复杂的归一化预处理；
实验与计算数据融合难：合成收率等实验值与 DFT 计算的能量值在尺度、不确定性上存在本质差异，缺乏统一的融合框架。
针对异构数据的整合，综述提出了四阶段数据准备与概率整合工作流，Table 1 详细定义了每个阶段的核心任务、描述与配套工具框架： | | |
|---|
| | REST/SQL API、Pandas 数据探查库、数据目录、本体映射工具 |
| 将原始数据转化为一致的机器可读格式，解决单位归一化、命名规范、缺失值处理等问题 | Python（Pandas、NumPy）、MatMiner/PyMatGen、Scikit-learn 插补工具、自定义规则过滤器 |
| 将标准化数据流合并为统一主数据集，通过统计或算法方法解决数值冲突 | 概率模型（贝叶斯融合、极大似然估计）、矩阵分解、网络集成模型、加权平均算法 |
| 评估融合后数据集的质量与适用性，通过领域专家审核、预测建模验证清洗效果 | 领域专家评审、Scikit-learn/XGBoost、统计指标（R²、RMSE）、特征重要性分析 |
2.2 数据质量与稀疏性
与计算机视觉、NLP 领域的十亿级标注语料不同，材料与分子科学的数据依赖实验室生成，实验的高成本、长周期导致数据库规模小、稀疏、充满测量误差与缺失信息，高质量真值数据稀缺，直接引发机器学习的冷启动问题—— 针对全新材料体系，模型无实验数据可学习，无法泛化或给出有效预测。自主实验室
集成自动化与机器学习的机器人平台，通过动态流动实验实时监测反应，数据生成效率是传统稳态方法的 10 倍以上，同时减少试剂消耗与废弃物；
合成数据增强
通过生成模型创建高质量合成数据用于训练，如 MatWheel 框架可在数据极度稀缺的场景下训练预测模型，性能接近甚至超过真实样本训练的模型，从根本上将数据稀缺问题转化为智能数据生成问题。
2.3 隐性知识的捕获
隐性知识是科学家通过经验与直觉积累的、难以清晰表述的实验诀窍，如搅拌速度、试剂滴加速率、容器几何形状等未记录的参数，是实验可重复性的核心，也是 AI 模型部署的关键瓶颈。两个形式上完全一致的合成方案，会因隐性知识的缺失导致结果天差地别，仅基于公开文献或数据库训练的模型，在真实实验室场景中极易失效。解决隐性知识捕获的核心基础设施是智能化电子实验记录本（ELN），Fig.3 展示了典型 ELN 的架构与核心功能模块：核心架构：ELN 软件作为中心枢纽，连接数据库、文件存储，部署在本地或云端服务器，配套备份系统、单点登录、时间戳授权、实验室仪器直连等模块；
多角色协作：覆盖研究员、新入职人员、归档人员、主管、合作者等全角色，实现实验记录的时间戳留存、电子签名审批、历史数据可追溯、团队协作共享；
AI 赋能的知识提取：通过 NLP 与大语言模型解析自由文本记录，提取化学名称、反应条件、操作步骤等机器可读实体，将被动的文档记录转化为主动的结构化知识捕获，同时完整记录阴性结果与失败实验，消除数据集的幸存者偏差；
知识图谱落地：将捕获的材料、反应条件、实验流程作为节点，因果关系与相关性作为边构建知识图谱，让 AI 模型能够有效推理材料 - 工艺 - 性能之间的复杂非线性关系。
ELN 构建了科学家与 AI 之间的双向反馈闭环：ELN 捕获的专家经验丰富知识图谱，优化 AI 的预测能力；AI 则基于知识库为实验设计与优化提供数据驱动的建议，实现人类直觉与计算分析的协同。
三、分子发现的机器学习模型体系
综述系统梳理了机器学习的四大核心范式，明确了各类模型在分子发现任务中的适用场景、子类别与优劣势。Fig.4 对机器学习模型进行了整体分类，涵盖监督学习、半监督学习、无监督学习、强化学习四大类及各自的核心子模型；Scheme 1 提供了基于数据标注情况、结构与学习目标的机器学习范式选择决策流程图。3.1 监督学习
监督学习是分子发现中最基础的范式，基于标注数据集学习输入到输出的映射，核心分为分类与回归两类任务，Table 2 详细定义了各子类别的原理与适用场景： | |
|---|
| 基于贝叶斯定理的概率模型，输出参数的概率分布，可量化预测不确定性，适用于小数据集、需融入先验知识的复杂问题 |
| 结合多个独立模型的预测生成单一稳健结果，用于提升预测精度、降低方差 |
| 遇到新实例时才启动计算，训练阶段不构建模型，完全依赖训练数据集完成预测 |
| 建立输入特征与目标变量的线性关系，可解释性极强，是回归与分类任务的基础方案 |
| 多层互联节点构成的复杂系统，可学习高度复杂的非线性模式，是深度学习的核心 |
| 在高维空间中找到最优分类超平面的判别式分类器，对高维数据效果优异，可用于分类与回归任务 |
| 通过分层条件规则的树状结构预测结果，可处理连续与分类数据，是复杂集成方法的基础 |
监督学习的核心应用包括材料热力学稳定性预测、晶体缺陷识别、药物 - 靶点结合亲和力预测、分子毒性分类、合成反应收率优化；核心发展方向聚焦可解释 AI（XAI）、小样本 / 零样本学习、自动化机器学习（AutoML）。3.2 半监督学习
半监督学习是解决标注数据稀缺的核心方案，结合少量高成本标注数据与大量无标注数据训练模型，Table 3 定义了两大核心子类别： | |
|---|
| 基于混合数据训练可泛化到全新未见数据的模型，是通用部署场景的首选 |
| 仅对训练中提供的无标注数据做预测，不具备泛化能力，适用于固定数据集的分析任务 |
其核心应用为材料合成缺陷检测、微观图像异常识别，仅需少量缺陷样本即可在海量无标注显微图像中识别异常模式。3.3 无监督学习
无监督学习可在无预定义标签的数据中发现隐藏的模式与结构，是探索性数据分析的核心工具，Table 4 定义了四大核心子类别： | |
|---|
| 基于规则的方法，用于发现大数据集中变量间的关联与依赖关系，典型应用为市场篮分析 |
| 将数据点按相似度分组，使同组内数据点的相似度高于组间，核心算法包括 K-means |
| 在保留原始数据核心信息的前提下，减少特征 / 变量数量，简化高维数据的后续分析，核心算法包括 PCA、SVD |
| 以自编码器为代表的专用架构，用于无标签数据的隐藏模式挖掘、特征学习与数据压缩 |
其核心应用包括新材料分类与聚类、分子性质聚类、分子子结构与生物功能的关联规则挖掘、高维光谱数据的降维与特征提取；未来发展聚焦自监督学习，通过数据内在结构生成监督信号，实现大规模无标注数据的预训练。3.4 强化学习
强化学习通过智能体与环境的交互、基于奖励信号的试错学习实现序列决策优化，Table 5 定义了四大核心子类别： | |
|---|
| 智能体学习或被明确提供环境动力学模型，可模拟结果、规划未来动作，无需高成本的真实世界交互 |
| 直接通过试错学习最优策略或值函数，不构建显式的环境模型，分为策略基与值基两类 |
| 直接学习从状态到动作的映射（策略），核心是优化策略以最大化奖励 |
| 学习值函数，评估特定状态 / 动作的预期未来回报，再通过值函数推导策略 |
其核心应用包括薄膜沉积参数优化、自主实验室自动化、个性化药物分子设计、合成路线优化、分子对接与化学空间探索；强化学习通常不单独使用，而是作为其他模型的优化层，如通过奖励函数微调生成模型，使其生成具备目标性质的分子。
四、深度学习与生成式分子设计
4.1 核心深度学习架构
深度学习是实现端到端分子表征与生成的核心技术，Fig.5 展示了分子发现场景中四大核心深度学习架构的输入输出逻辑：多层感知机（MLP）：全连接前馈网络，适用于结构化 / 表格数据，是分子描述符建模的基础架构；
卷积神经网络（CNN）：通过卷积与池化层提取空间结构特征，适用于分子图像、显微图像、光谱数据的处理；
循环神经网络（RNN/LSTM/GRU）：专为序列数据设计，具备记忆能力，适用于 SMILES 字符串、反应时序数据的建模；
Transformer 架构：通过自注意力机制建模长程依赖，并行处理序列数据，是当前化学大语言模型的核心架构。
4.2 生成式模型体系
生成式模型是逆分子设计的核心，可直接生成具备目标性质的全新分子，颠覆了传统 “先合成再筛选” 的模式。Fig.6 展示了三大核心生成模型的底层机制，Table 6 详细定义了各架构的原理与分子设计中的特性： | |
|---|
| 学习分子结构的连续低维潜空间，通过潜空间采样解码生成新分子，擅长在已知化合物间插值，发现融合目标性质的新分子 |
| 由生成新分子的生成器与判别分子真伪的判别器构成，通过对抗博弈训练，生成高保真、高真实度的新型分子结构 |
| 受非平衡统计物理启发的生成模型，通过逐步向分子结构加噪、再逆过程去噪生成新的有效分子，是当前化学设计领域的 SOTA 方案，可自然保留 3D 几何结构与物理约束 |
Scheme 2 提供了分子预测与设计任务中，QSAR/QSPR 模型、深度学习架构、生成模型的选择决策流程图，核心基于任务目标、数据规模、可解释性需求、输入数据形式等维度指导模型选型。同时，综述提出了多智能体协同的生成框架：一个 AI 智能体生成分子结构，另一个同步评估其性质与合成可行性，通过迭代交叉验证避免 “分子幻觉”—— 即生成符合化学规则但无实际活性或合成可行性的化合物。
五、AI 驱动分子发现的集成研发闭环
传统线性的分子发现模式已无法适配 21 世纪的广阔化学设计空间，当前主流范式是AI、机器人、自动化融合的动态互联自主闭环体系，本质是加速版的设计 - 制造 - 测试 - 分析（DMTA）循环。Fig.7 展示了闭环生成式 AI 科学发现的四阶段框架，各阶段高度耦合，前一阶段的质量直接决定后一阶段的效果。阶段 1：结构化数据捕获与智能特征化
这是整个闭环的基础，核心是从实验设计之初就融入 AI 适配的考量，从传统非正式的数据记录转向正式的结构化、机器可读的数据捕获体系。核心工作：遵循 FAIR 原则（可查找、可访问、可互操作、可重用），通过 ELN、标准化本体、仪器直连实现多模态数据的统一采集；
特征化方案：传统方案包括 SMILES 字符串、分子指纹（如 ECFP），当前主流是图神经网络（GNN）驱动的图表示 —— 将原子作为节点、化学键作为边，自动提取拓扑信息，无需人工特征工程，可捕捉 2D/3D 分子几何结构的复杂关系；
核心风险：“垃圾进，垃圾出（GIGO）” 级联效应，数据命名不规范、合成细节缺失等问题，会导致特征化错误，最终让生成模型产生化学无效、合成不可行的幻觉分子。
阶段 2：生成模型作为逆设计的副驾驶
基于结构化与特征化的数据，生成模型解决逆设计问题 —— 直接生成具备预定义性质的分子 / 材料结构，AI 从被动分析工具转变为主动设计智能体。核心工作：通过 VAE、GAN、扩散模型、图生成模型，在化学空间中主动导航，生成全新的候选结构；
关键保障：生成输出在提交合成前，必须经过快速的硅内验证流程，包括合成可行性（SA）评分、基于规则的化学合理性检查、低精度性质计算，从根源上避免无效的实验资源浪费。
阶段 3：高通量合成与表征
计算设计的假设需通过物理实现才能产生价值，本阶段的核心是通过 ** 自主驾驶实验室（SDL）** 实现合成与表征的自动化、实时化。核心平台：多机器人并行反应系统、连续流有机合成平台（如 Rainbow 多机器人实验室、Chemputer 系统），可单日完成数百至数千次实验；
关键能力：原位、实时表征技术（如扫描探针显微镜、X 射线衍射）直接集成到合成平台，为闭环提供即时的性质反馈，打破传统离线表征的时间延迟。
阶段 4：实验验证与主动学习的模型优化
这是闭环自迭代的核心，通过实验获取的高质量数据并非最终结果，而是模型优化的关键输入，通过主动学习算法指导下一轮的发现循环，实现快速收敛到目标性质。核心算法：贝叶斯优化（BO）是主动学习的核心技术，基于高斯过程构建概率代理模型，通过采集函数平衡 “利用（接近最优值的区域采样）” 与 “探索（高不确定性区域采样）”，以最少的实验次数找到全局最优解；
典型案例：CAMEO 平台通过物理信息驱动的贝叶斯机器学习预测材料性质，主动学习选择最具信息量的下一个实验，表征结果反馈回模型持续优化，大幅减少发现所需的实验数量；
人机协同：纯自主系统在高难度、全新体系中效率有限，在循环中保留人类专家的隐性知识与直觉，可显著提升人机协同的发现效率。
六、结论、落地建议与开放挑战
6.1 核心结论
AI 驱动的闭环实验正在彻底重塑分子发现领域，通过数据分析与自动化实验室的融合，研究者正在突破数据异质性、高价值测量稀疏、专家知识非形式化的传统瓶颈。当前最先进的工作流包含四大核心环节：全面的数据捕获、生成式设计、自动化执行、反馈式优化，通过不确定性感知的预测指导每一轮循环，即使在探索不足的化学空间中，也能以远少于传统试错的实验次数获得高性能候选分子。6.2 实验室 AI 转型的落地建议
基础设施建设
采用现代化、AI 兼容的基础设施，将多模态数据管理作为标准，实验记录不再使用自由文本，而是通过标准化本体实现机器可读的格式记录试剂、条件、流程与结果，落地 ELN 与结构化数据库，遵循社区数据标准实现数据互操作性；
组织与能力建设
实验室需培养数据管理员、机器学习工程师等专业角色，建立激励机制推动阴性结果的系统记录、跨部门数据共享，从 “专有知识优先” 转向 “数据规范优先” 的文化转变；
人机协同体系
搭建展示模型预测与不确定性的实时仪表盘，保留人类专家在循环中的监督与引导，通过可解释的界面建立对 AI 的信任，同时让 AI 充分吸收人类的专业经验。
6.3 未来展望与开放挑战
技术愿景
未来将形成由数字孪生与共享知识库互联的 “全球自主驾驶实验室”，大语言模型将文献、实验室数据、实时测量整合为统一的推理引擎，实验不再是孤立的试错，而是连续数据流的一部分，AI 可跨实验推理、提出假设、协调全球的机器人平台完成验证；
核心开放挑战
数据标准与互操作性、因果推理能力的提升、AI 工具的可及性与普及化；
伦理与安全保障
自动化工作流必须内置明确的 “停止条件” 与危害检查，每一个 AI 预测都需附带不确定性与可解释性标注，避免过度自信；同时需关注数据来源与偏差，防止在稀疏数据上的过拟合与错误假设的传播，科学家需在自动化流程普及的同时，掌握与 AI 协同工作的核心能力。
夜雨聆风
