作者与发表信息 本文的作者团队由Martin Otyepka、Martin Pykal和Michal Otyepka*（通讯作者）组成，他们主要来自捷克帕拉茨基大学奥洛穆茨分校的捷克先进技术与研究研究所区域先进技术与材料中心。这篇文章发表于《今日应用材料》期刊，于2025年10月26日被接受，并于同年11月3日在线发布。
文章主题与性质 本文是一篇系统性的综述文章，主题聚焦于“人工智能在材料发现中的推进作用”。文章全面审视了人工智能技术，特别是机器学习、深度学习和生成模型，如何重塑材料的设计、合成与表征全流程，并探讨了该领域面临的挑战与未来发展方向。
文章主要观点与论述
观点一：人工智能正在全面重塑材料科学的研发范式，成为从设计、合成到表征的“认知伙伴”。
文章开篇即指出，人工智能的整合正在彻底改变新材料的研发方式，推动其向更高效、更具目标性和更可持续的方向发展。它不再仅仅是自动化工具，更是一种能够增强决策、加速发现和揭示新科学见解的认知伙伴。这一转变对于传统试错方法面临巨大挑战的材料研究领域尤其重要。AI的核心在于其子领域——机器学习和深度学习，它们使算法能够从数据中学习，无需对特定任务进行显式编程。在材料研究中，一个典型的AI工作流程包括高质量数据库的创建与整理、预测模型的设计与训练、严格的验证以确保准确性，以及使用和再训练的迭代循环。这种工作流程构成了更高级AI应用的基础。
观点二：机器学习力场是连接高精度计算与大规模模拟的桥梁，实现了速度与准确性的新平衡。
文章详细阐述了从经验力场到机器学习力场的发展历程。传统的经验力场（或称分子力学）计算效率高，但因其简化的模型而可转移性有限，适用范围受限。机器学习力场应运而生，它通过机器学习算法学习原子构型与其对应能量和力之间的复杂关系，通常基于高精度量子力学计算生成的海量数据集进行训练。MLFFs成功地在计算速度和预测精度之间取得了前所未有的平衡，其精度可媲美高端的从头算方法，而计算成本仅为其一小部分。文中通过表格和案例（如ANI-1CCX模型对丙酮-晕苯复合物的几何结构预测与高精度CCSD(T)计算结果高度吻合）具体展示了MLFFs的能力。此外，文章还介绍了各种ML方法（如神经网络、图神经网络、核方法等）及其在原子和材料建模中的应用、优势，并列举了如GAP、MLatom 3等实用软件工具。然而，MLFFs也面临挑战，包括模型可转移性受限（例如，为GAP模型准备的数据集未必能有效迁移到DeepMD或MACE架构）、对非共价相互作用和长程静电相互作用的准确描述仍需专门训练或校正、以及用户在选择众多专用模型时面临的困难。未来趋势可能是发展可以针对特定任务进行微调的基础模型。
观点三：人工智能从有机合成工具汲取灵感，正逐步渗透并变革材料合成领域，但其应用面临材料复杂性的独特挑战。
文章指出，AI已成为化学合成领域的强大工具，在合成规划、反应条件优化乃至自主实验室方面取得进展。在有机合成中，AI工具如IBM RXN平台、分子变压器模型等在逆合成分析、反应类型分类和条件优化上展现出超过90%的预测准确率，超越了传统计算机辅助方法。然而，将这些成功直接迁移到材料合成中并非易事。材料的结构维度多样（从周期性晶体到非晶固体和纳米结构），其可合成性依赖于复杂的热力学、动力学和加工环境。材料（尤其是纳米材料）的合成路径也更为广泛，包括自上而下和自下而上等多种策略。为了应对这些挑战，材料科学领域正在开发专门的AI框架。例如，SPENDER神经网络结合了基于图的编码器和序列解码器来生成可解释的合成方案；CAMD框架将密度泛函理论与主动学习结合以提出稳定的无机材料。此外，生成模型（如图变分自编码器和Transformer架构）正被探索用于提出新的无机组成及其可能的合成路线。文章以MXenes合成、碳点的光学性质预测等具体研究为例，说明了AI在加速材料筛选、揭示结构-性能关联方面的潜力，同时也强调了整合领域知识、高质量数据集和实验验证的重要性。
观点四：自主实验室代表了AI与实验自动化的终极集成，通过闭环反馈实现自适应实验，但完全普及仍面临成本、复杂性和通用性等重大障碍。
自主实验室的概念已从简单的机器人设备演变为能够以最少人工干预设计、执行和分析实验的集成平台。AI的融入使其从被动自动化工具转变为自适应决策系统。文章引用了一种六级的实验室自主性分级标准（L0-L5），并指出目前达到高水平自动化（L3及以上）的系统仍属罕见，人类的监督在验证、安全和战略决策方面仍至关重要。文章通过多个案例展示了自主实验室的进展：例如RoboChem利用贝叶斯优化闭环优化光化学反应；A-Lab利用主动学习和ML算法成功合成了多种无机化合物；Coscientist利用GPT-4模块进行精确的化学实验；以及移动机器人化学家平台展示了长期、AI引导实验的可行性。这些系统通常结合了多种表征技术（如XRD、NMR、UV/vis光谱等）进行实时分析和决策。然而，文章也坦率地指出了自主实验室面临的巨大挑战：化学和材料合成的多步骤过程（如固液分离、重结晶）难以通用化自动化；维护清洁条件、防止交叉污染等“隐性”实验室任务对自动化平台构成考验；高昂的资本支出、系统复杂性以及在与现有实验室基础设施整合方面的困难，都限制了其从原理验证演示向可靠、广泛部署平台的转变。未来，模块化、紧凑型和移动机器人平台可能有助于降低门槛，实现更民主化的访问。
观点五：大语言模型和智能体系统正成为材料发现的新前沿，通过自然语言交互降低技术门槛，并展现出跨领域推理和假设生成的能力，但其可靠性、偏见和幻觉问题需通过技术保障与伦理框架加以约束。
大语言模型的快速发展为科学发现开辟了新前沿。与传统的单一任务ML模型不同，LLMs提供了研究人员与计算基础设施之间的灵活接口，其对话性质降低了高级建模的技术壁垒，使非专家也能以自然语言查询数据、设计模拟和生成假设。文章举例说明，通过领域特定微调（如BioinspiredLLM用于生物材料领域）或构建专业模型（如MechGPT用于力学与材料科学），可以显著提升LLMs在知识检索、假设生成和辅助任务方面的性能。更进一步，多智能体框架（如SciAgents、ProtAgents、SPARKs、AtomAgents）通过模拟科学研究中的协作与批判性，将LLMs与知识图谱、物理模拟、专业工具等结合，实现了从假设生成、测试、 refinement到报告的全发现周期自动化。与此同时，自然语言处理技术通过挖掘海量科学文献、专利，将非结构化知识转化为机器可读数据集，为下游机器学习任务提供了燃料。然而，LLMs和智能体系统的应用也引入了新的风险：它们会继承训练数据中的偏见，可能产生“幻觉”或过度自信的错误回答。文章强调，社区正朝着嵌入防护措施的方向努力，例如采用检索增强生成来确保输出基于可信知识库、结合不确定性量化来标记低置信度预测、以及建立“人在环中”的监督模式。最终，这些系统的长期影响不仅取决于技术进步，更依赖于确保AI驱动科学发现的可靠性、公平性和信任的稳健保障措施与伦理治理框架的建立。
观点六：实现人工智能驱动材料发现的全部潜力，依赖于解决数据、模型通用性、可持续性及伦理治理等系统性挑战，并呼吁发展混合方法与开放协作的生态系统。
文章在展望部分总结道，尽管AI取得了显著进展，但该领域仍处于动态过渡阶段，面临诸多系统性挑战。数据方面，虽然社区已付出巨大努力推动FAIR（可发现、可访问、可互操作、可重用）原则，并建立了如Materials Project、NOMAD、Open Catalyst Project等大型数据库以及OPTIMADE API等互操作标准，但数据格式不统一、合成程序缺乏机器可读性、以及至关重要的“负面”或失败实验数据普遍缺失等问题依然存在。模型方面，大多数ML模型是任务特定的，泛化能力有限；在复杂纳米材料或固态系统模拟中，生成模型的应用仍处于早期阶段。此外，AI模型，尤其是深度神经网络的“黑箱”特性阻碍了其科学采纳，这推动了可解释人工智能的发展，通过特征归因图、代理模型等技术提高模型透明度。可持续发展与伦理方面，文章特别强调了计算可持续性（关注AI模型自身的能源效率）、系统性纳入负面数据、以及建立伦理治理框架以确保负责任部署的重要性。文章呼吁发展混合方法，将物理知识与数据驱动模型相结合，并构建模块化AI系统以改善人机协作。最终，通过将计算创新与实际实施相结合，AI有望推动可扩展、可持续且可解释的材料发现，将自主实验转变为科学进步的强大引擎。
文章的价值与意义 这篇综述的价值在于它为材料化学家、工程师以及计算和数据科学家提供了一份关于当前AI在材料科学中集成现状的权威、全面且前瞻性的路线图。文章不仅系统梳理了从机器学习力场、AI辅助合成到自主实验室和LLMs等关键领域的技术进展与案例，更难得的是坦诚并深入地剖析了各环节存在的挑战与局限。它强调了从数据基础设施、算法开发到实验验证和伦理考量全链条协同创新的必要性。因此，本文不仅是一篇技术总结，更是一份推动领域向更开放、可重复、负责任方向发展的行动倡议，对于引导研究人员将AI工具有效整合进其科研工作流、加速材料创新步伐具有重要的指导意义。