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（下篇）

上篇我们深度解析了由首尔大学与 KAIST 研究人员联合发表于《化学评论》“化学人工智能” 特刊的综述《人工智能加速材料发现：从生成式设计到自主实现》，并集中讨论了生成式逆向设计、物理启发的数据高效学习，以及基础模型在材料科学中的应用。这些方法共同指向一个趋势：计算端生成候选材料的能力正在迅速提升，速度之快，已远超任何实验团队手动验证的承载上限。

这种不匹配引出了一个更棘手的问题：如何把计算出的合理结构真正变成实验台上的真实化合物？

下篇将沿着这一方向展开。首先是大语言模型驱动的 AI 智能体，它们不再是被动的问答工具，而是具备工具调用、结果评估与多步决策能力的科研协作者。随后进入材料数据库的底层审视：数据偏差、缺失的失败记录、不一致的格式标准，这些看似枯燥的问题，恰恰决定了模型预测的可靠边界。最后是合成规划与自主实验室，这是目前 AI 材料发现中最具挑战性、也最接近实际应用价值的前沿，涉及从前驱体推荐到多步路线生成，再到机器人自动执行与闭环优化的完整链条，以及这一进程中面临的硬件、安全与标准化限制。

从虚拟候选到实物合成，这条路径远未成熟，但正在被逐步打通...

05 基于大语言模型的

AI智能体在材料发现中的应用

本节讨论的 AI 智能体区别于常规聊天机器人，其核心特征是具备目标分解、工具调用、结果评估与策略迭代的能力，能够在明确的溯源与验证框架下执行多步骤科学任务。

智能体架构常见的设计模式是将规划与执行分离。规划模块将高层次目标分解为可操作的子任务，执行模块调用数据库、模拟器或预测模型完成各子任务，并返回结构化输出。多智能体系统进一步引入角色分化。例如，提议者负责生成候选方案，评论者负责检验其合理性，检索者负责提供证据支持。这种架构设计贴合科学研究的实际流程：假说生成与实验证伪的分工。

工具接地是确保智能体输出可靠性的关键技术手段。智能体的主张必须基于可验证的外部信息源，即数据库检索结果、模拟器输出、实验反馈，而非依赖模型自身的记忆或生成。在材料领域，检索目标不仅包括文本，还涉及结构标识符、计算制品等结构化信息。知识图谱作为结构化知识基底，支持跳查询与关系推理，正越来越多地集成到智能体工作流中。

无机材料领域的典型案例：AGAPI-Agents 协调数据库检索、候选生成、结构弛豫、XRD 分析与电子结构计算；CASCADE 支持自主技能扩展，可根据任务需要整合新工具；MASTER 以闭环方式运行 DFT 弛豫与催化剂-吸附物探索，具备自动错误恢复能力；CRYSTAL 实现了基于 XRD/XRF 的晶体相图自动化分析；AtomAgents 面向金属合金体系，整合文献检索与 LAMMPS 分子动力学模拟。

智能体的可靠性高度依赖于工具本身的精度与检索语料的质量。在需要隐性实验判断、长周期因果推理或安全关键决策的场景中，当前系统仍不可靠。作者主张，评估应超越最终答案准确性，转向包含轨迹质量、工具调用正确性、检索接地的可验证性、人工干预频率等维度的工作流级标准。

06 材料数据库的现状与未来

所有 AI 模型的性能最终都取决于训练数据的质量与覆盖范围，而当前的材料数据库存在明显的偏差。

首先，大多数大规模数据集高度偏向热力学稳定的晶相，亚稳态、高压相、非晶态和低对称性材料代表性严重不足。结构缺陷和空位，这些恰恰是决定材料实际性能的关键因素，常常被忽略或包含不一致。这种偏差在能量分布上也可以清楚看到：实验观察到的结构集中在低能量区域，而虚拟枚举的结构随着能量窗口的扩大，越来越多地占据高能区域。这意味着，模型在训练时看到的几乎都是理想的结构，对实际中可能遇到的各类非理想状态则缺乏准备，这一偏差直接影响模型的泛化能力。

其次，不同数据库之间的计算参数、文件格式和注释标准不一致，给数据整合和结果可重复性带来了挑战。导致同一物理量（如形成能）在不同资源间存在系统性偏移，使得跨库比较与模型迁移复杂化。

合成数据集的问题更为严重。目标化合物通常只在组成层面上指定（如A_xB_yC_z），而不明确对应到特定的晶体结构或多晶型。当同一组成存在多个结构变体时，模型无法知道在给定合成条件下究竟会形成哪一种结构。此外，失败的合成尝试几乎从不出现在数据集中，而这恰恰是模型学习动力学瓶颈和不相容条件所需要的关键信息。

解决这些问题需要系统性的数据策展。这包括检测和剔除重复结构（包括对称等效和轻微扰动后的近重复）、提供明确的质量标志（收敛状态、不确定性估计），以及有意识地将缺陷、空位、亚稳态和非晶相纳入数据库。

FAIR 原则的系统实施在于：不仅数据本身，生成数据的代码版本、参数文件、工作流元数据也应作为标准化字段公开，以确保可重复性。

图 6 材料研究中可基于本体构建的知识图谱示例。 该示意图说明了本体如何将前驱体和合成条件与多晶型/结构描述符及目标性质（如稳定性和电子性质）连接起来，形成一个统一的、机器可操作的图表示。

07 面向材料创制的AI:

合成规划与自主实验室

• 设计-实现差距

前面几节展示了计算材料设计的显著进展，从提出新颖候选的生成模型到实现跨化学空间快速性能预测的基础模型。而在材料科学正面临一个关键设计—实现断层，计算材料设计（生成模型、基础模型）进展迅速，但将预测材料转化为实验合成化合物仍是加速材料发现的最大瓶颈。生成模型几秒可产出数千候选，仍受制于低效且高度依赖人工的实验流程，这种不匹配限制了计算进展的实际影响。

面对这一挑战，当前技术正沿两条主线加速推进：一是 AI 驱动的合成规划；二是自主实验室（SDL）。

• AI驱动的合成规划

无机材料合成的特殊性

相比有机合成，无机材料的合成具有特殊性。在有机合成中，明确界定的反应规则、Reaxys 等广泛的模板数据库以及清晰的官能团转化使系统路径预测成为可能。而无机固态合成面临以下问题：

• 反应路径模糊、反应机理不明确；

• 实验结果对实验条件（包括温度、压力、气氛和反应时间）具有强依赖性；

• 缺乏全面、机器可读的合成数据库

AI在合成规划中的角色

近年来，人工智能在无机材料合成规划领域的研究呈现出清晰的演进脉络，其核心任务从早期的前驱体推荐逐步拓展至多步合成路线的构建，并进一步迈向对实验可行性的综合考量。

早期计算无机合成规划方法主要聚焦于前驱体推荐，前驱体是为靶向化合物识别合适的起始材料。前驱体选择与逆合成方法旨在确定合适的起始原料，早期以热力学计算为主，后期转向文献数据驱动的机器学习预测，近期大语言模型也展现出无需微调即可有效预测的能力。

多步合成路线预测则更进一步，通过图搜索、强化学习或神经‑符号混合方法，规划从原料到产物的完整反应序列。

合成条件与可行性研究则将温度、气氛等实验参数纳入模型，并发展出可合成性评估策略，甚至借助大语言模型智能体将可行性判断转化为具体操作方案。整体上，该领域正从前驱体推荐向闭环式、可行性感知的综合规划体系演进。

图7 AI驱动的无机材料合成规划范式总结。 热力学/相图筛选（左上）为前驱体选择和反应选择性提供基于物理原理、数据需求低的指导，但通常受限于缺乏动力学和工艺约束。基于文献挖掘的方法（右上）将非结构化的合成报告转化为机器可读语料库，从而能够大规模学习经验先验知识，并实现对前驱体和工艺参数的快速条件感知推理。多步路线规划（左下）通过图搜索、强化学习和神经符号混合方法，突破单步推荐，构建完整的合成路线，涉及顺序优化、路径探索、约束整合和可解释启发式策略。闭环实现（右下）将自主实验室与具备智能体能力、工具增强的大语言模型系统相结合，以迭代地规划、执行、验证和实时更新决策，实现对实验可制备材料的自主迭代和不确定性感知优化。

• 从自动化到AI引导的实验循环

随着计算方法以加速的速度生成候选材料，实验瓶颈已决定性地转向合成和验证。自主实验室通过将机器人自动化与 AI 驱动决策在闭环配置中集成来解决这些局限。自主实验室包含能够执行合成和表征的自动化实验室设备、管理操作和数据的软件系统和处理结果并指导后续实验的实验规划器。

硬件架构

在 AI 引导的自主实验室中，硬件架构定义了规划者可用的实验动作空间，而表征工作流定义了可用于模型更新的反馈。A-Lab 是固态合成领域最具代表性的 SDL，系统展示了无机粉末的全自动固态合成，可在 17 天连续运行中从 58 个目标中实现了 41 种新化合物。该平台集成了计算目标选择、合成配方生成、机器人粉末处理和炉操作、基于机器学习的 X 射线衍射（XRD ）相识别以及用于迭代优化的主动学习。虽然后续分析对某些相归属提出了质疑，但该演示为自主无机合成提供了重要的概念验证。

• 对于固态合成，系统必须处理粉末分配、混合、压片和高温煅烧，这些操作传统上需要大量人工灵巧性。

• 流动化学平台为溶液基合成提供了优势，实现连续处理、快速参数变化和实时监测。

• 在线表征提供即时反馈，对于闭环优化至关重要。XRD仍然是无机相识别的主力技术，机器学习模型实现了从粉末图案的自动相图绘制。

AI算法

• 贝叶斯优化已成为指导材料科学自主实验最广泛使用的框架之一。通过构建概率代理模型预测期望结果和相关不确定性，贝叶斯优化方法平衡有前景区域的利用与不确定参数空间的探索。

• CAMEO 系统结合贝叶斯主动学习与自主 XRD 测量，在发现新型相变材料的过程中将所需实验数减少至系统筛选的十分之一。

• Ada 系统应用于钙钛矿光伏体系，集成了高通量旋涂、自动表征与贝叶斯优化，快速确定最优多阳离子组成。

材料自主实验室的一个特别重要要求是故障感知学习，失败或模糊的实验不应简单被视为丢弃的结果，因为它们可以揭示动力学障碍、不相容前驱体组合、杂质形成路径或表征盲点。

图 8 代表性 SDL 系统的架构与工作流程。（a）A-Lab 系统展示了计算目标选择、机器人合成、自动化 XRD 表征和主动学习优化的闭环循环。（b）CAMEO 系统展示了用于相图绘制的贝叶斯主动学习。（c）Ada 系统集成了高通量旋涂、自动化表征和贝叶斯优化，以加速发现最优多阳离子钙钛矿组分。

已部署的系统与展示的能力

以下示例并非 SDL 平台的全面综述，而是代表性地展示了 AI 引导决策如何与不同合成和表征模态耦合。由于完全自主的无机材料 SDL 仍少于分子或溶液相平台，仅纳入选定的相邻化学示例以说明可转移的决策架构，而主要焦点仍放在材料实现上。

• 在有机和药物化学中，带有主动学习的流动化学平台已优化反应条件并发现了新的合成路线。MicroCycle 结合自主合成与物理化学、药效学和生物化学分析，代表了迄今为止报告的最全面的集成药物发现 SDL。

• 钙钛矿光伏已使用自主平台广泛研究。Ada 系统（图 8c）结合了高通量旋涂、自动表征和贝叶斯优化，以快速优化多阳离子钙钛矿组成。类似方法通过自动化筛选供体-受体组合加速了有机光伏开发。

• 聚合物和软材料发现受益于 SDL 方法，因为参数空间大且加工-结构-性能关系复杂。自主聚合物合成平台已展示了对机械性能、导电性和其他功能特性的高效优化。

• 金属-有机框架（MOF）和多孔材料已使用溶剂热和机械化学方法自主合成。MOF 化学的模块化性质（将有机连接体与金属节点结合）创造了巨大的组合空间，非常适合系统自主探索。

在这些示例中，共同的 AI 中心特征是自适应决策：实验选择根据测量结果更新，每个实验不仅因其直接结果，还因其为后续决策提供的信息而被重视。

图 14. 面向集成式 AI 驱动材料发现的设想架构。 该示意图展示了一个端到端的闭环工作流，将生成式设计、AI 驱动合成规划、自主实验室（SDL）执行、数字孪生支持、面向 FAIR 的数据基础设施，以及基础模型/智能体编排（在人类监督下）相互连接。数字孪生模块通过发出模拟查询、返回操作约束并纳入 SDL 实验的校准数据，实现仿真在环的决策支持。实验输出和元数据积累于面向 FAIR 的知识库中，以支持检索和周期性模型更新。不同的反馈回路在多个时间尺度上运行：规划与执行期间的快速在线交互（秒至天级别），以及由数据整理和再训练驱动的较慢学习周期（周至月级别）。

局限与挑战

尽管取得了显著进展，自主实验室仍面临持续挑战。

• 硬件可靠性和通用性：

一类材料优化的系统需大幅重新配置才能适配其他目标；部分自动化常比全自主更实用，设备故障、耗材管理和校准漂移造成的维护负担可能超过自动化的生产力增益。

• 数据质量与模型可靠性：

在有限初始数据上训练的 AI 模型可能在实验活动早期做出次优决策；自动相识别可能遗漏细微区别。

• 安全问题：

与能够识别并响应异常情况的人类操作员不同，自主实验室需要明确的安全响应编程，预测性危害评估仍不发达，限制有毒/易燃材料自主处理。

• 标准化不足：

跨自主实验室平台的标准化对可重复性和知识转移构成挑战，促进通用数据格式、通信协议和基准数据集的倡议至关重要，但目前仍处于初期阶段。

08 总结和展望

材料发现正经历从顺序式、直觉驱动向数据驱动、闭环反馈的根本性转型。核心变化在于：候选生成、性能预测、合成规划、实验执行等环节不再彼此割裂，而是通过反馈回路相互耦合，形成集成工作流。当前实践中，人类仍占据决策中枢：AI 提供建议，人类负责优先级判断、假设生成和结果解读，这种模式虽融合了直觉与计算优势，却受限于人的处理带宽，自主实验室的成熟正在打破这一瓶颈。

展望未来，方法论的重心应从回顾性基准测试和一次性虚拟筛选，转向闭环假设验证，AI 不仅输出候选排名，还应主动检索文献、构建可证伪假说、设计高信息量实验、量化置信度，并从反馈中持续更新认知。这一转变的成功，依赖于机器学习、合成化学、机器人、表征技术、数据标准与人工监督的深度协同，以及可重复、可共享的实践文化的建立。最终，人工智能不仅加速材料发现，更可能重塑科学家与工具之间的协作方式，使 “自动化原生” 成为下一代研究范式的底色。

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。