综述：人工智能在加速材料发现中的应用：机遇与挑战

《ChemistrySelect》：Artificial Intelligence in Accelerating Materials Discovery: Opportunities and Challenges

人工智能技术整合材料数据库与机器学习模型，推动自动化实验进程，实现10-100倍加速的材料发现效率，突破传统试错法局限。通过图神经网络（>90%热电预测精度）、生成模型逆向设计、自然语言处理解析百万级文献，以及自主实验室（71%合成验证成功率），构建了涵盖监督学习、强化学习和深度生成模型的技术框架。典型案例包括DeepMind的GNoME发现380,000种稳定材料，Microsoft的MatterGen晶体结构生成平台。现存挑战包括60%材料类数据不足、算法偏见及黑箱限制，未来趋势聚焦物理信息驱动AI、多模态融合、联邦学习及人机协同创新。

　　

摘要

人工智能在材料科学中的整合彻底改变了发现过程，将研究时间缩短了10到100倍，并通过机器学习框架识别出了超过220万种稳定的无机材料。本文综述了当前的人工智能范式——基础模型、量子机器学习和自主实验室——同时探讨了实施过程中遇到的挑战。有四项创新正在重塑材料发现的方式：图神经网络在热电性能预测方面的准确率超过90%；生成模型支持逆向设计；自然语言处理能够从超过10万篇论文中提取相关协议；自主实验室的合成验证成功率达到了71%。这些进展得益于大规模数据库（如Materials Project、NOMAD、OQMD）、计算基础设施以及涵盖监督学习、强化学习和深度生成模型的各种算法。典型案例包括DeepMind的GNoME发现了38万种稳定材料，以及微软的MatterGen平台用于晶体结构生成。然而，仍存在一些持续存在的问题：60%的材料类别数据稀缺，训练数据集中存在算法偏见，黑箱效应限制了科学研究的深度。新兴趋势——基于物理知识的机器学习、多模态人工智能、联邦学习和人机协作——有望进一步加速材料发现的过程。本文提供了关于人工智能驱动的材料发现转型的最新评估和实用建议，强调了从传统的试错方法向预测性、自主研究方法的范式转变，这种转变从根本上重塑了科学探究和创新流程。

图形摘要

人工智能将大规模材料数据库与先进的机器学习模型相结合，指导自动化实验，从而实现功能性材料的快速预测、合成和优化。通过将数据驱动的洞察力与机器人和高通量实验平台相结合，人工智能驱动的工作流程将材料发现的速度提高了10到100倍，减少了试错次数，揭示了材料结构与性能之间的隐藏关系，并促进了用于能源、电子和传感应用的下一代材料的高效开发。

利益冲突

作者声明没有利益冲突。

数据可用性声明

由于本研究没有创建或分析新的数据，因此不适用数据共享的规定。