【论文摘要】

材料设计是现代科学与技术的重要组成部分，然而传统方法在很大程度上依赖试错过程，效率往往有限。得益于现代人工智能的赋能，计算技术已重塑了新材料的研发范式。在这些方法中，逆设计在满足特定性能要求的材料研发方面展现出巨大潜力。来自MIT的团队通过本文，综述了过去几十年来材料设计领域的关键计算进展，系统梳理了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的材料设计技术发展脉络，重点探讨了从传统筛选模式向深度生成模型驱动的逆向生成范式的转变。最后，分析了当前材料逆设计面临的挑战并展望其未来发展方向。本综述可为具有技术相关性的未来功能材料设计提供方法、进展与前景的简明指引。

【实验方法】

正向高通量筛选：基于已知材料数据库，利用密度泛函理论（DFT）或机器学习代理模型（如MLIPs），系统评估材料性质，如稳定性、电学与磁学性能等，通过设定阈值筛选候选材料。

进化算法：受自然进化启发，使用遗传算法、粒子群优化（PSO）和蒙特卡洛树搜索（MCTS）等方法，通过选择、交叉、变异等操作在参数空间中全局优化材料结构，并借助机器学习代理模型加速计算。

自适应与交互式方法：通过贝叶斯优化、强化学习及自动化实验室实现动态反馈与优化。贝叶斯优化以概率模型平衡探索与利用；强化学习通过智能体与环境交互，优化材料设计策略；自动化实验室则集成机器人与AI，实现闭环的材料合成与表征。

深度生成模型：通过学习材料分布实现逆向设计。变分自编码器将材料映射到潜在空间进行优化；生成对抗网络通过生成器和判别器的对抗训练产生新材料；扩散模型通过逐步加噪与去噪生成晶体结构；大语言模型则基于文本描述生成材料假设或指导合成路径。

【图文摘取】

【主要结论】

本研究系统梳理了人工智能驱动材料设计的进展，核心结论在于以深度生成模型为代表的逆向设计范式正在根本性地变革材料研发模式。当前研究已证明，人工智能方法能有效突破传统正向筛选在探索能力和效率上的局限，通过对材料构效关系的深度学习和概率建模，实现对具有特定性能材料的定向生成。

尽管仍面临热力学稳定性保障、实验可行性验证以及数据外推能力等关键挑战，多项案例研究（如高临界温度超导体、高性能热电材料及金属有机框架的逆向设计与实验合成）已初步验证了该路径的可行性。未来，通过构建融合生成模型、自动化实验与实时反馈的闭环工作流，并结合物理先验知识与领域适应策略，人工智能有望进一步弥合计算设计与实验实现之间的鸿沟，推动材料科学从经验试错向理性设计的根本转变。

原文链接：https://doi.org/10.1038/s41563-025-02403-7

来源：AI赋能材料