本文属于类型b，即一篇非单一原创研究的科学论文，具体为一篇发表于Matter期刊的观点（Matter of Opinion）文章。文章作者为Chi Chen，所属机构为Microsoft Azure Quantum，通讯邮箱为chenchi@microsoft.com。文章于2024年12月4日在线发表，DOI为https://doi.org/10.1016/j.matt.2024.11.012。文章标题为“AI in materials science: charting the course to Nobel-worthy breakthroughs”，即“人工智能在材料科学中的应用：描绘通向诺贝尔奖级突破的路线”。全文围绕人工智能如何推动材料科学实现根本性突破并达到诺贝尔奖级别影响力这一核心议题展开论述。作者从诺贝尔奖授予人工智能相关工作的背景出发，分析了当前人工智能在材料科学领域所取得的成就与存在的限制，并提出了几个具有突破潜力的发展方向，包括先进量子力学方法、量子计算、多尺度模拟、自主实验以及人工智能智能体（AI agents）。文章最终强调，人工智能在材料科学中实现诺贝尔奖级影响力的关键在于超越单纯的性能预测，推动对材料基本物理规律的理解，并建立可靠的实验验证平台。
文章首先以2024年诺贝尔物理学奖和化学奖授予人工智能相关突破性工作为切入点。物理学奖授予Hinton和Hopfield以表彰其在人工神经网络方面的贡献，化学奖则授予Hassabis、Jumper和Baker以表彰其在蛋白质结构预测方面的成就。文章指出，这些奖项的共同模式在于，人工智能被用来解决基础科学难题并同时带来实际应用影响，因而获得了科学界的最高认可。尤其值得注意的是，蛋白质结构预测从取得突破到获得诺贝尔奖仅用了几年时间，这表明人工智能对科学的影响正在加速。材料科学正处于类似的转折点。然而，文章也指出，材料科学领域获得诺贝尔奖的成就，例如准晶的发现和蓝色发光二极管（LED）的发明，都有一个共同特征，即它们既改变了对科学现象的理解，又解决了重要的现实问题。因此，人工智能在材料科学中若要获得诺贝尔级认可，必须超越纯算法层面的进步，展示变革性影响。
接着，文章回顾了人工智能在材料科学领域近年来的显著进展。深度学习模型已经在包含超过一亿个晶体结构的计算数据库上训练，并在性质预测方面达到了前所未有的准确度。然而，这种成功主要局限于晶体系统，只代表了该领域潜在影响的一小部分。文章指出现有进展中存在持续而叠加的限制。第一个限制是对密度泛函理论（DFT）计算的严重依赖。虽然DFT对晶体系统很有价值，但在准确捕捉功能性材料性质方面存在已知缺陷，特别是在强关联材料和激发态方面。例如，DFT通常会低估半导体带隙30%至50%，并且在电子-电子相互作用主导的强关联材料中表现不佳。第二个限制是人工智能在材料科学中的研究主要集中在晶体材料上，而复杂金属合金、陶瓷、聚合物和复合材料等广阔的材料类别仍相对未被充分探索。这种在基础理论和材料范围上的双重约束形成了一个根本性限制：人工智能模型无论多么复杂，其准确性受限于训练数据，其泛化能力受限于材料覆盖范围。
文章进一步指出了一个更基本的挑战，即计算预测与实验现实之间的鸿沟。虽然计算研究通常报告令人印象深刻的准确度指标，但将这些预测转化为可合成材料仍然是一个重大障碍。作者引用了Li等人于2023年在Matter上发表的评论，指出该领域推动越来越大的数据集和越来越复杂的模型反而可能阻碍其实现现实世界的影响。文章认为，该领域需要的未必是更多的数据，而是更有意义的数据，这些数据应能够捕捉真实材料合成与行为的复杂性。这一观点成为文章后续论述的基础：人工智能在材料科学中的更大机会在于利用人工智能推动对复杂材料行为的理论理解，而非仅仅进行性质预测和晶体结构生成。
在提出上述限制之后，文章展开了对若干前沿方向的阐述。第一个方向是超越DFT，利用先进量子力学方法。格林函数与屏蔽库仑相互作用（GW）近似、贝特-萨尔皮特方程（BSE）和动力学平均场论（DMFT）等方法比DFT提供了更高的准确度和更深入的物理见解。在这类方法的数据上训练人工智能模型，无论是直接训练还是通过多保真度方法，都有可能在保持准确度的同时克服计算限制。这种人工智能与先进量子力学方法之间的协同可以扩展人们对复杂材料行为的研究能力，涵盖能带结构、光学性质以及强关联电子系统。第二个方向是量子计算。当前预测表明，拥有数千个逻辑量子比特的量子计算机可能实现对复杂材料的模拟，而这类材料即使对最先进的经典方法也构成挑战。类似于人工智能加速先进量子力学计算，量子计算与人工智能的结合也带来了独特机会：在量子模拟数据上训练的人工智能模型可以将量子计算机的能力扩展到硬件限制之外，而量子启发算法则可能加深对复杂材料状态的理解。这种计算范式的协同体现了诺贝尔级突破中基础理解与工具创新相结合的典型特征。
文章阐述的第三个重要方向是多尺度模拟与机器学习力场（MLFFs）。弥合量子现象与宏观材料行为之间的鸿沟是科学界长期面临的重大挑战之一。人工智能通过机器学习力场成为这一问题的有力解决方案。MLFFs实现了量子力学级别的准确度，同时支持对数百万个原子进行微秒时间尺度的经典分子动力学模拟。它们在非晶固体、复杂合金、聚合物和液体等多样材料体系中的广泛适用性，与2013年诺贝尔化学奖所表彰的多尺度模拟突破相呼应。这一方向的进展意味着人工智能可以成为连接不同长度和时间尺度的桥梁，从而为理解材料从电子结构到宏观性能的行为提供新途径。
第四个方向是自主实验与人工智能智能体。一些早期工作已将大规模人工智能筛选与小规模实验验证结合起来。然而，该领域目前正处于通过自主实验实现急剧加速的前夜。机器人合成平台的发展已经证明了系统性验证人工智能预测的潜力。大语言模型（LLMs）与这些自动化工作流的集成则为智能实验设计开辟了新可能性。最近在自主化学研究和工具增强型科学任务方面的突破已经展示了利用LLMs推理能力的可能性。这些人工智能驱动的自主系统不仅仅是自动化，它们代表了一种新的材料发现范式，在这种范式中，合成策略可以根据实时实验反馈进行动态优化。更重要的是，自主实验与人工智能智能体的结合可以生成大量、一致的实验数据，捕捉真实材料合成与加工的复杂性，形成跨材料类别的发现与验证循环。这种将人工智能预测与自动化合成和表征相结合的闭环方法，有可能将传统材料开发周期从数十年缩短到数年甚至数月。
在文章的最后部分，作者将这些方向综合起来，指出人工智能与材料科学的融合为解决基础科学挑战提供了独特机会。量子计算、人工智能驱动的多尺度模拟、自主实验和人工智能智能体的结合，为弥合量子现象与宏观材料行为之间的长期鸿沟提供了一条路径。正如多尺度模拟曾改变人们对复杂化学系统的理解并促成2013年诺贝尔化学奖一样，人工智能与材料科学的融合也可能在预测和控制跨尺度材料行为方面促成类似的突破。作者认为，实现这一潜力的关键在于发展超越性质预测的人工智能框架，以推动对基本物理规律的理解，同时建立稳健的实验验证平台。成功并不依赖于构建更大的模型或更大的数据集，而在于发现材料的基本物理、确保实验可重复性并展示实际影响。文章以展望结尾，指出随着材料学界朝着这些目标努力，人工智能将展示其既能够改变人们对材料的理解，又能够利用材料的内在性质来应对社会最紧迫的挑战。文章的致谢部分感谢Deborah Hutchinson对论文的修改。利益声明部分说明作者就职于Microsoft Azure Quantum，并参与开发Azure Quantum Elements平台以加速科学发现。参考文献涵盖了AlphaFold、机器学习在分子与材料科学中的应用、OMat24无机材料数据集、Materials Project、关于人工智能加速材料科学时代需谨慎呼吁的评论、量子模拟材料、基于机器学习与云高性能计算的加速计算材料发现、自主实验室合成新材料、利用大语言模型进行自主化学研究以及用化学工具增强大语言模型等文献。这些参考文献的时间跨度从2013年到2024年，展示了该领域从数据驱动方法兴起到人工智能与实验深度融合的快速发展轨迹。整体而言，文章以观点论述的方式，系统梳理了人工智能在材料科学领域取得诺贝尔奖级突破的可能路径，强调了超越数据驱动范式、回归基础物理理解和加强实验闭环验证的重要性。