材料设计是现代科学与技术的重要组成部分，但传统方法高度地依赖于反复试错，效率较低。得益于现代人工智能的增强，计算技术正在重塑新材料设计的新格局。在这些方法中，逆向设计在满足特定性能要求的材料设计方面，展现出了巨大的应用前景。
近日，麻省理工学院Mouyang Cheng, Chu-Liang Fu, Ryotaro Okabe, Abhijatmedhi Chotrattanapituk，李明达Mingda Li等在Nature Materials上发表综述文章，概述了过去几十年来，材料设计领域的关键计算进展。
追溯了相关材料设计技术的发展脉络，从高通量正向机器学习方法与进化算法，到强化学习、深度生成模型等先进人工智能策略，重点论述了从传统筛选方法到由深度生成模型驱动的逆向生成之间范式转变。
最后，讨论了当前材料逆向设计的主要挑战和未来展望。这篇综述可作为设计未来具有技术相关功能材料的方法、进展和前景的简要指南。
Artificial intelligence-driven approaches for materials design and discovery.
人工智能驱动的材料设计和发现方法
图1: 基于正向筛选的材料发现。
图2: 材料逆向设计的进化算法。
图3: 逆向设计的自适应和交互式方法。
图4: 逆向设计的变分自编码器variational autoencoders，VAE方法。
图5:逆向设计的扩散模型方法。
图6: 逆向设计建议或合成材料的案例研究。
图7:材料逆向设计的未来展望。
该综述了AI在材料设计中的多类方法与应用案例。所涉及的计算材料包括无机晶体、二维材料、合金、高分子及金属有机框架等；例如，基于贝叶斯优化闭环设计钙钛矿太阳能电池空穴传输材料，效率提升至26.2%；扩散模型生成新型晶体结构并经实验合成验证；自主实验室A-Lab实现从计算预测到机器人合成、表征的全流程自动化。这不仅证实了AI在缩短材料研发周期、突破性能瓶颈方面的有效性，更推动了“计算‑AI‑实验”一体化研究范式的建立，为能源、电子、量子等领域的功能材料创新提供了新路径。
李明达，麻省理工学院核科学与工程系副教授。2009年获清华大学工程物理系学士学位，2015年获麻省理工学院博士学位。研究方向，物理科学设计新颖表征和计算方法。
来源：今日新材料
