AI化学观察室 | 人工智能加速材料发现：从生成式设计到自主实现（上篇）

材料科学的进步，很大程度上取决于我们能否更快地找到性能更优的物质。锂离子电池需要更高容量的正极，化工行业需要更具选择性的催化剂......这些需求背后有一个共同约束：新材料的发现周期太长了。传统研究流程以月或年为单位，而理论上可能存在的晶体结构数量远超任何实验室的筛选能力。这种张力，正是过去十年 AI 大规模介入材料科学的根本驱动力，推动材料研发智能化转型。

近期由首尔大学与 KAIST 研究人员联合发表于《Chemical Reviews》“化学人工智能” 特刊的综述《AI for Accelerated Materials Discovery: From Generative Design to Autonomous Realization》，系统梳理了这一转型过程的技术脉络，覆盖从生成模型、物理启发学习、基础模型到合成规划与自驱动实验室的完整技术图谱，以下分享按原文结构逐节展开，并对第 7 节内容——面向材料创制的 AI：合成规划与自驱动实验室进行重点解读。

01 范式转变的轮廓

材料发现是化学、物理和工程交叉领域的一项基本挑战。设计具有所需性能的新材料，支撑着能源转换与存储、催化、微电子和可持续发展等领域的进步，然而，巨大的化学空间，加上复杂的结构-性能-加工关系，意味着传统的试错方法已无法跟上当前的需求。

高通量筛选（HTS）虽然加速了对大型候选库的评估，但其根本上是基于预定义的化学空间进行操作，将探索限制在已枚举的范围内，而非可以设计的范围。在此背景下，材料信息学早期依靠手动设计的描述符和固定的筛选库，试图将经验直觉和领域知识形式化。机器学习（ML）技术的出现为这一工作流程带来了部分自动化，但大多数传统 ML 模型是在狭窄数据集上训练的，在其适用域之外表现不佳。这些模型通常将材料设计、合成规划和实验验证的核心任务视为孤立的阶段，导致效率低下，且缺乏整个发现循环中的反馈整合。

近年来，多个 AI 范式共同改变了这一格局。首先，生成模型实现了逆向设计——直接从目标性能需求出发生成候选材料，而不是从固定候选结构集中筛选。VAE、GAN、扩散模型、贝叶斯流网络、基于流的架构和自回归架构等模型，已被证明能够学习材料空间的关键信息，并利用这些关键信息生成符合特定性能要求的新候选结构。

其次，基础模型源于材料科学打破专门任务之间壁垒的需求。这些大规模架构在数百万个结构、实验测量数据和科学文献上进行预训练，从而学习能在不同材料类别和属性类型间迁移的关键数学描述。它们可将先前孤立的能力，如结构生成、性能预测和合成规划连接成统一的工作流。

当与自主实验相结合时，这一转变会进一步加速。自主实验室集成了机器人合成、原位表征和 AI 驱动决策，创建了闭环发现系统。语言模型的可解释推理能力促进了与人类研究人员的协作，将黑箱优化提升为上下文感知发现。

尽管如此，根本性局限仍然存在。材料数据库偏向热力学稳定相，亚稳态和无序结构代表性不足。为应对这些挑战，物理启发的神经网络和对称性感知架构直接编码领域知识，即使在数据有限的条件下也能实现稳健预测。

本综述聚焦于通过连接候选生成、可迁移表示学习、数据基础设施、合成规划和实验实现来加速材料发现的 AI 方法，重点关注无机晶体材料领域的研究。下图展示了这一演变的代表性概览，从理论引导筛选到预测性机器学习、早期深度生成模型，以及先进生成模型和基础模型。底部箭头突出了从筛选现有候选到设计定制候选的广泛转变。

图 1 计算和 AI辅助材料发现范式的演变。示意图说明了材料发现发展的代表性、非穷举阶段：（i）2000 年代的理论/模拟引导筛选，包括DFT计算和基于描述符的筛选，用于基于物理的候选评估和实验指导；（ii）2010 年代的预测性机器学习，包括性能预测代理模型、主动学习和贝叶斯优化，用于快速预测和候选优先排序；（iii）2010 年代末至2020年代初的早期深度生成模型，包括 VAE、GAN 和强化学习，用于学习材料分布和提出新候选；以及（iv）2020 年代的先进生成模型和基础模型，包括扩散、流、BFN、Transformer 和基于 LLM 的方法，用于条件生成和闭环材料发现。底部箭头突出了从筛选现有候选到设计定制候选的广泛转变。

02 逆向材料设计的生成模型

过去材料发现主要靠三类方法：化学直觉、物理理论与模拟、以及高通量计算加机器学习筛选。这个流程越来越高效，但本质上大多还是在已知的结构里挑选候选化合物。生成模型带来的变化是：不只是评估候选，而是能主动提出新的结构和组成，相当于把找材料从理论引导筛选 + 预测模型转向生成式逆向设计。

生成式模型的发展历经了三个阶段：

第一阶段是 VAE 和 GAN 这类早期生成模型，证明了 AI 确实可以生成新材料候选结构，比如一些低能量、潜在稳定的晶体结构，而不只是做性质预测。但它们更多停留在概念验证层面，原因在于材料问题容错率非常低，一个直观的对比是：在图像生成中，改变几个像素的颜色通常不会使图像失效；但在晶体结构中，哪怕一个原子的类型分配错误，整个结构就可能变得不合理。VAE 在复杂分布建模上有局限， GAN 又容易训练不稳定，所以很难稳定产出高质量候选。

第二阶段出现了更强的生成框架，比如扩散模型、流匹配方法和贝叶斯流网络。它们在生成质量和效率上更进一步，尤其针对晶体这种受强物理约束的对象。研究开始把周期性、对称性、晶格参数、分数坐标等硬约束条件更系统地放进模型里，这样做的核心思路是让模型在化学规则内创新。

第三阶段是基于文本的自回归路线和 LLM 路线。简单来说，就是把晶体转成序列，让模型像写句子一样逐步生成结构。代表思路包括专门的晶体 token 设计，以及用 LLM 先生成再精炼结构。这条路线的优势是可扩展，能借到大模型在序列建模上的能力。但难点是晶体表示有非唯一性：同一个结构可能有多种写法，因此需要更规范的表示和专门的 token 化方案。

生成模型不是要替代传统材料研发流程，而是作为其中一个关键模块，负责拓展候选空间、加快提出新假设。真正决定价值的，仍然是后续验证链条，包括化学合理性、热力学稳定性、可合成性以及实验验证。所以未来重点不是讨论谁是唯一最强模型，而在多种模型协同 + 物理约束注入 + 实验闭环验证。

图 2 用于无机材料生成的扩散模型。图中展示了（a）CDVAE、（b）DiffCSP 和（c）MatterGen 的架构与扩散过程，它们是用于无机晶体生成的基础性生成框架。

03 物理/化学启发的数据高效AI

过去十年，材料信息学进步很快，一个重要原因是有了更多数据和更强算力。很多模型在大数据条件下表现很好。但材料领域的高质量数据并不容易获得：实验慢、成本高，高精度计算也很贵。也就是说，我们不能一直靠数据越多越好这条路。真正的挑战是在小样本、贵样本条件下，依然做出可靠预测和高效发现。

在这一过程中，整体发展的第一阶段是典型的大数据驱动方法，主要依赖统计相关性，优点是上手快、效果直观，但缺点是对数据量依赖强，遇到分布外样本容易失效。

第二阶段开始将物理和化学知识以归纳偏置的形式嵌入模型架构，而非仅仅依赖数据量。把守恒关系、对称性、结构约束、元素规则等先验信息融入模型，这样做的好处是，模型搜索空间变小了，学习效率更高，也更符合科学规律。

第三阶段转向 “数据高效学习” 策略，比如迁移学习、小样本学习、多保真建模和主动学习。主动学习尤其关键：模型不再被动吃数据，而是主动挑最值得做的下一个实验或计算，从而用更少成本换更多有效信息。

第四阶段则是把模型与实验平台连接起来，形成 “预测—实验—反馈—再预测” 的闭环，让材料研发从线性流程变成迭代优化流程。

材料 AI 的竞争重点正在变化，不再是简单比谁数据多、模型大，而是比谁更好地把机理知识与数据驱动结合起来。未来最有前景的路线是 “物理/化学先验 + 数据高效算法 + 主动决策 + 实验闭环” 协同推进。评价一个方法的价值，也不能只看离线指标，而要看它是否真正减少实验次数、降低研发成本、缩短发现周期，并最终找到可合成、可验证、可应用的材料。

04 基础模型与预训练

如何实现材料AI的快速泛化

传统材料 AI 通常是一个任务对应一个模型，比如预测带隙训练一个模型，预测稳定性再训练一个模型。这种方式能解决局部问题，但缺点也很明显，重复开发成本高，依赖大量标注数据，换任务或换材料体系时往往要从头开始。基础模型的出现，就是为了解决这个瓶颈。基础模型是近年来 AI 领域最重要的趋势之一，在材料科学中也开始落地。它的核心思路是：先在大规模、多来源数据上预训练通用能力，学习可迁移的表示，然后以少量标注数据适应各种下游任务。

材料科学的一个特殊性在于信息的多样性。一个材料的完整描述往往涉及晶体结构、电子能带、XRD 图谱、合成配方、文献叙述等多种模态。传统的做法是为每种模态设计专门的模型，但这割裂了信息之间的内在关联。多模态基础模型试图解决这一问题，将晶体结构、态密度、电荷密度和文本描述通过对比学习对齐到共享空间，实现了跨模态检索与预测。材料 AI 正在从单模态走向多模态，逐步接近研究者实际处理信息的方式。

图 5 材料科学中基础模型的概念框架，重点关注多模态基础模型（MFMs）。（左）多模态数据的整合，包括结构信息、文本信息和视觉信息，用于大规模预训练。（中）预训练将不同模态映射至共享表示空间，以捕捉潜在的物理关系及模态间的依赖关系。（右）将MFM适应于各类下游任务，如属性预测和逆向设计，并可拓展至跨模态任务，包括自动表征与合成规划。

基础模型的价值在于可迁移、可复用、可扩展。它能显著减少重复建模，缩短研发迭代周期。但它并不是万能的，要真正用于材料发现，还必须同时解决四个问题：

第一，训练数据质量与偏差；

第二，评估标准统一和公平比较；

第三，模型与物理化学规律的一致性；

第四，与实验系统形成快速反馈闭环。

以上四节勾勒了当前 AI 在材料发现中的主要进展：生成模型使逆向设计成为可能，物理启发学习提升了数据利用效率，基础模型提供了可迁移的表示能力。这些方法的核心贡献在于拓展了候选材料的搜索空间，并缩短了性能预测的时间尺度。

然而，从计算方法输出的一个合理结构到实验室中真实存在的化合物，其间仍有相当距离。接下来的第 5 至第 8 节，将把视角从计算设计转向实验实现。具体而言，第 5 节讨论大语言模型驱动的 AI 智能体如何协调多步科学任务；第 6 节审视材料数据库在数据质量、偏差和标准化方面的现状与挑战；第 7 节聚焦于 AI 辅助的合成规划与自主实验室，分析从前驱体推荐到闭环实验优化的技术路径及当前瓶颈；第 8 节则给出整体总结与展望。

这些议题共同指向一个更为复杂的现实：材料的可设计性与可合成性之间并非天然完美对接，而如何弥合这一间隙，正是下篇要讨论的重点。技术变革的张力，往往正藏于这些未完成之处。精彩仍在延续，下周四，我们继续深入拆解......

文献原文：

https://pubs.acs.org/chreay/article/126/15/8644/5238567/AI-for-Accelerated-Materials-Discovery-From?searchresult=1

声明：

本文所有内容旨在学术探讨与信息交流，所有权利归原作者所有。