首页 >> 学术资讯 >>前沿文章 >>材料 >> 麻省理工学院最新Nature Materials综述:人工智能驱动的材料设计与发现方法!
详细内容

麻省理工学院最新Nature Materials综述:人工智能驱动的材料设计与发现方法!

研究背景
进入21世纪,计算材料学,特别是基于密度泛函理论的高通量计算筛选,为材料发现提供了革命性的工具,能够系统性地在广阔化学空间中进行初步探索。然而,这类“正向设计”范式遵循“先有结构,再筛选性能”的逻辑,在面对天文数字级别的候选材料空间时,效率低下,成功率极低,且本质上无法突破现有数据库的知识边界去发现具有颠覆性性能的全新材料体系。
近年来,人工智能,尤其是深度学习技术的爆发式发展,正在引领材料研究范式的根本性转变——从“正向筛选”转向“逆向设计”。逆向设计以目标性能为起点,反向求解出满足要求的材料结构或组成,为解决上述瓶颈提供了极具前景的路径。从早期的遗传算法、蒙特卡洛树搜索,到如今的强化学习、深度生成模型(如变分自编码器、生成对抗网络、扩散模型)和大语言模型,AI驱动的方法正以惊人的速度重塑材料设计与发现的格局,为实现按需设计功能材料的目标奠定了理论与技术基础。

文章概述



材料设计是现代科学与技术的重要组成部分,然而传统方法严重依赖试错,效率低下。现代人工智能增强的计算技术已经重塑了新材料设计的格局。在这些方法中,逆设计在根据特定性能要求设计材料方面显示出巨大潜力。美国麻省理工学院Mouyang Cheng、Mingda Li教授团队介绍了过去几十年材料设计领域的关键计算进展。我们追溯了相关材料设计技术的演进,从高通量正向机器学习方法和进化算法,到强化学习和深度生成模型等先进人工智能策略。我们重点阐述了从传统筛选方法到深度生成模型驱动的逆生成这一范式转变。最后,我们讨论了材料逆设计当前的挑战和未来展望。本综述可作为对未来具有技术相关性功能材料设计的方法、进展和前景的简明指南。

e63f1d5821405b51bcd742400e9a41b7.png

相关研究成果以题为“Artificial intelligence-driven approaches for materials design and discovery”发表在材料领域顶级期刊《Nature Materials》。麻省理工学院Mouyang Cheng、Chu-Liang Fu、Ryotaro OkabeAbhijatmedhi Chotrattanapituk为本文第一作者与共同第一作者。通讯作者为Mouyang Cheng和 Mingda Li。

本文亮点



清晰的范式演进脉络梳理:

文章清晰地勾勒出材料设计从“高通量正向筛选”到“基于AI的逆向设计”的范式转变历史轴线,不仅总结了各阶段代表性方法(如进化算法、贝叶斯优化),更深入分析了其内在局限与演进动因,为读者提供了宏观的认知框架。

对前沿AI方法的深度剖析与对比:

文章超越了简单的罗列,深入浅出地剖析了强化学习、自适应实验室以及各类深度生成模型(VAE, GAN, 扩散模型,LLM)在材料逆设计中的工作原理、适配性、优势与固有挑战(如训练稳定性、模式坍塌、计算成本、幻觉问题),并辅以架构示意图和对比表格(如Table 1),使技术细节一目了然。

聚焦“条件生成”这一逆设计核心:

全文紧扣“以性能为导向的条件生成”这一逆设计精髓。无论是讨论扩散模型的条件微调(如Con-CDVAE, MatterGen),还是LLM的提示工程,都重点阐述了如何将目标性能(如带隙、磁化强度、对称性)作为约束条件融入生成过程,直接输出目标材料,这是区别于传统筛选方法的核心技术进步。

强调实验验证与闭环系统:

文章并未止步于计算预测,而是特别强调了实验合成与验证的终极重要性。通过介绍A-Lab等自主实验室和多个成功案例(如太阳能电池空穴传输材料、MOFs的AI设计与合成),凸显了“计算预测-自动合成-表征反馈”闭环系统的强大潜力,指明了领域未来向全自动化、自适应发现发展的方向。

深刻的挑战与未来展望:

文章在展示巨大潜力的同时,也冷静指出了当前逆设计面临的严峻挑战:生成材料的热力学稳定性与可合成性验证、对已知数据分布的过度拟合与缺乏“分布外”突破性发现能力(如室温超导体)、数据稀缺与质量不均、以及缺乏统一的基准测试框架。这些前瞻性的批判为未来研究指明了关键的突破口。

图文速览



76fab07b35b9cd27ddd7ec3cc1abb22c.png

图1:基于正向筛选的材料发现。a. 正向筛选示意图,通过高通量计算目标性能来筛选候选材料。此类计算可通过机器学习替代模型加速。b. 晶体图卷积神经网络作为图神经网络的一种代表性框架,用于材料性能预测与筛选。该图神经网络由R个卷积层、两个隐藏层和一个应用于每个节点的全局池化层组成,之后是生成预测的输出层。c. 用于光电半导体材料的五阶段高通量计算筛选过程(紫色圆盘)。候选材料基于稳定性和基于描述符的优化进行筛选。机器学习在平衡计算成本(红色箭头)和准确性(绿色箭头)的同时加速了预测。d. 识别二维铁磁材料的筛选工作流程。自旋构型经过能量计算,将材料分类为铁磁性或反铁磁性。铁磁候选材料通过哈密顿量拟合和蒙特卡洛模拟进一步优化,以估算居里温度。该工作流程集成了中央处理器和图形处理器资源以及即时编译器。关键参数包括交换作用、磁各向异性常数、化学势和总能,这些参数源自密度泛函理论计算和自旋哈密顿量拟合。

98aeacd2f0e34206f98ea1c36ad717a5.png

图2:用于材料逆向设计的进化算法。a-c. 遗传算法示意图,其中候选材料经历由目标函数计算器驱动的突变、交叉和选择;粒子群优化,其中候选解通过遵循个体和全局最优位置在搜索空间中演化;以及蒙特卡洛树搜索,其中使用模拟和反向传播迭代扩展决策树以识别最优候选。d. 在遗传算法中探索并四苯候选结构的演化路径。不同的进化策略(包括交叉、框架旋转和角度应变)引导空间群之间的结构转变,而各种选择标准影响优化路径。e. 具有3,285个原子的Pt-Pd-Au纳米粒子稳定结构的粒子群优化演化过程,显示了三个不同演化阶段对应的纳米粒子结构。f. 四原子银簇的蒙特卡洛树搜索与随机采样能量收敛性对比。蒙特卡洛树搜索收敛更快,并识别出能量更低的优化结构。

db9265dccae23942813f425f55df0cb1.png

图3:用于逆向设计的自适应与交互式方法。a. 自适应方法的示意图,其中逆向设计模型与实验和计算的指导及反馈更新循环相关联。b. 用于化学反应的贝叶斯优化图示。高斯过程替代模型拟合来自未知目标的数据,后验均值及阴影区(2σ范围)如图所示。期望效用曲线指导下一个实验,从而更新当前替代模型的知识。c. 用于能量收集的梯度超材料设计优化方法图示。设计过程被构建为马尔可夫决策过程,物理约束和插值点指导顺序决策,并通过强化学习迭代优化。有限元模型模拟设备性能,ε表示用作奖励目标函数的收集能量。d. A-Lab自主材料发现示意图。A-Lab整合计算、文本挖掘、机器人合成、配方优化和物相鉴定,以优化反应路径。

文章小结



展望未来,人工智能模型需要解决关于稳定性和领域知识外推的挑战,以充分实现逆设计中条件生成的潜力。将生成模型整合到综合工作流程中,结合高效的材料发现与大量文献(尤其是实验真实数据)、稳健的实验验证,以及辅助决策的人工智能代理,对未来材料设计以及闭环设计循环的实现具有重要意义。此外,逆设计的一个关键步骤可能超越被动验证,向自适应的、自我改进的材料发现框架发展。自动化实验室提供高通量实验反馈,这可以通过能够动态地从计算上精炼生成模型、以及从实验上精炼合成路径和实验工作流程的自进化人工智能系统进一步增强。在此背景下,整合能捕捉合成和测量过程动力学及因果结构的世界模型,可以使人工智能系统更有效地推理实验结果、预测失败并规划适应性行动。通过解决稳定性、实用性和探索性挑战,由闭环、持续学习的人工智能系统驱动的逆设计,可以从一种有前景的方法,演变为科学发现和技术创新的可靠工具。

原文链接:

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



seo seo