编辑推荐：
本文聚焦材料设计领域长期存在的“试错”瓶颈，探讨如何利用人工智能（AI）驱动的研究范式来加速新材料发现。作者系统梳理了从在线材料数据库、数据驱动设计与优化，到机器学习（ML）、深度学习（DL）、计算机视觉、自然语言处理（NLP）乃至基于Transformer的基础模型、生成式人工智能（GenAI）与智能体人工智能（Agentic AI）在内的多种新兴AI框架在材料科学与工程中的应用，并以二维材料、复合材料和高温合金（HEA）为具体案例，展示了AI如何高效揭示材料“加工-结构-性能”之间的复杂关系，从而为快速、精准、低成本的定向材料开发提供了革命性的解决方案。
从“炼金术”到“炼数术”：人工智能如何重塑材料发现之路
人类文明史，某种意义上也是材料的发展史。从石器、青铜到铁器时代，再到今天的硅时代，每一次材料革命都极大地推动了技术进步和社会发展。然而，数千年来，新材料的发现与设计严重依赖于直觉、反复实验和偶然运气，这种“爱迪生式”的方法不仅耗时耗力、成本高昂，而且成功率极低。材料的“加工-结构-性能”关系错综复杂，构成了一个巨大的、难以穷尽的探索空间，传统方法如同大海捞针。
进入21世纪，随着计算能力的飞速提升和数据量的爆炸式增长，一个全新的研究范式——“材料信息学”（Materials Informatics）——正席卷材料科学领域。其核心思想是：将人工智能（AI）的强大数据处理与模式识别能力，与材料领域的专业知识深度融合，从而系统化、智能化地加速新材料的“按需设计”。那么，AI究竟如何改变材料研究的游戏规则？它已经取得了哪些突破？未来的路又在何方？
为了系统回答这些问题，一篇题为《Artificial Intelligence in Materials by Design: Critical Review And Perspectives on Materials Informatics to Generative and Agentic Intelligence》的综述文章近期发表在《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》上。文章不仅回顾了AI在材料设计中的应用历程，更聚焦于其前沿进展，特别是生成式人工智能（GenAI）和智能体人工智能（Agentic AI）带来的范式变革。
技术方法简述
研究人员通过梳理大量文献，构建了从数据挖掘到智能设计的完整AI材料研发链条。其核心方法包括：首先，利用Materials Project、C2DB、OQMD等开放数据库与Pymatgen、MatMiner等API工具进行数据采集与标准化整合。其次，应用机器学习（如支持向量机SVM、高斯过程回归GPR）、深度学习（如卷积神经网络CNN、物理信息神经网络PINN）模型，在二维材料、复合材料、高温合金等领域建立结构-性能预测模型。进而，探索生成对抗网络（GAN）、变分自编码器等生成式AI模型进行材料的逆向设计。最后，展望了结合大型语言模型（LLM）的智能体AI框架，以实现对多模态材料数据（文本、图像、结构文件）的统一处理与自主推理。
研究结果
1. 数据挖掘：为AI引入材料领域奠定基石
文章指出，高质量、标准化的数据是AI模型的“燃料”。研究人员系统介绍了Materials Project、计算二维材料数据库（C2DB）、晶体学开放数据库（COD）和开放量子材料数据库（OQMD）等关键开源数据仓库。这些数据库提供了海量的材料成分、晶体结构、电子和力学性质等计算与实验数据。然而，材料数据的异构性（如表格、CIF文件、JSON、图像、文本）是主要挑战。为此，研究强调了数据级（使用标准格式和API）和表示级（使用材料嵌入和知识图谱）的集成策略，并指出新兴的多模态LLM智能体有望提供统一的解决方案。
2. “按需设计”的材料信息学
“材料按需设计”旨在通过算法化地探索巨大的样本空间，结合机器学习与理论计算，将材料发现周期从数十年缩短到数月。其核心是利用AI模型揭示并控制材料的加工、结构、成分与性能之间的复杂关系。例如，研究通过机器学习建立了增材制造金属棒材的“加工-结构-机械性能”关联，并利用贝叶斯框架解析了复杂浓缩合金的热机械性能。AI/ML的集成显著加速了针对特定性能的材料搜索。
3. AI驱动的材料设计与发现
文章选取了二维材料、复合材料和高温合金（HEA）三大代表性材料类别，深入阐述了AI的具体应用。
- •
二维（2D）材料：利用深度学习框架预测含缺陷二维材料的电子特性（如带隙、费米能），并利用无监督机器学习预测二维MXenes材料的可合成性。通过机器学习与分子动力学（MD）模拟结合，全面评估了缺陷（空位、Stone-Wales缺陷）和掺杂（如硅掺杂）石墨烯的断裂与弹性性能，并利用CNN基于原子图像预测应力和应变场。
- •
复合材料：AI被用于优化纤维增强塑料（FRP）的设计、预测功能梯度材料（FGM）板的随机振动与冲击响应，以及使用物理信息神经网络（PINN）预测复合材料层压板的疲劳裂纹扩展和异质材料的弹性变形模式。深度学习模型（如CNN）被用于检测复合材料的分层、预测裂纹形貌以及短纤维聚合物复合材料中的全场应力分布。
- •
高熵合金（HEA）：AI用于预测HEA的成分特异性相（如FCC、BCC），设计具有高屈服强度的FeCrNiCoMn HEA成分空间，以及建立“加工-结构-性能”关联以预测力学性能。研究展示了如何利用贝叶斯方法以最少的实验确定合金最优成分，并开发了端到端的机器学习流程，在AlCoCrFeNi HEA的大成分空间中寻找具有最佳弹道性能或高刚度-密度比的优化成分。
4. 材料信息学中的人工智能框架
文章系统梳理了支撑上述应用的AI技术本身。从参数化模型（如线性回归、逻辑回归）和非参数化模型（如K近邻KNN、支持向量机SVM、决策树、高斯过程回归GPR）等经典机器学习方法入手，阐释了它们各自在材料性能预测中的数学原理与应用场景。
进而，文章深入介绍了深度学习方法。全连接神经网络（FCNN）是处理表格化数据的基础。卷积神经网络（CNN）及其变体（如编码器-解码器架构）则擅长处理图像等空间数据，被用于从微观结构图像中预测应力场等任务。
最后，文章展望了生成式人工智能（如生成对抗网络GAN、变分自编码器VAE）在材料逆向设计中的潜力，以及智能体人工智能（Agentic AI）如何通过整合大型语言模型（LLM）和工具调用能力，构建能够自主规划、执行多步骤材料发现任务（如文献挖掘、实验设计、数据分析）的智能系统。
结论与展望
这篇综述系统性地表明，人工智能正在深刻变革材料科学与工程的研究范式。从基于数据库的数据挖掘和传统机器学习预测，到利用深度学习处理复杂图像与序列数据，再到前沿的生成式AI和智能体AI，AI技术栈的演进为材料“按需设计”提供了前所未有的强大工具。研究通过二维材料、复合材料和高温合金等具体案例，证实了AI在高效探索材料成分-结构-性能关系、加速性能优化与新材料发现方面的巨大价值。然而，挑战依然存在，如高质量数据的获取与标准化、多模态数据的有效融合、AI模型的可解释性，以及如何将计算预测高效转化为实验合成。
未来，材料信息学的发展将更紧密地融合生成式AI与智能体AI，实现更加自主、闭环的材料研发流程。一个能够理解文献、设计实验、分析数据并不断自我优化的“AI材料科学家”或许不再遥远。这项研究不仅为材料研究者提供了全面的技术路线图，也指明了通过人工智能将材料发现从“艺术”转变为可预测、可工程化“科学”的清晰路径。
