这篇题为《Artificial Intelligence for Materials Science: Transforming Research Paradigms》的论文是一篇发表于《Chemical Reviews》期刊的焦点综述。其作者为Yue Li, Shurui Wang, Jianping Wang, Liu Qian* 和 Jin Zhang*。这篇论文系统性地审视了人工智能（AI）如何驱动材料科学研究范式的深刻转变，即从传统的、依赖直觉的试错模式，加速转向以数据为中心、算法指导的学科。

本文的核心论点是，人工智能对材料科学的变革正沿着两条并行且互补的轨迹展开：任务特定型AI与通用型AI。文章以此为框架，详细阐述了AI如何渗透并重塑材料发现的完整工作流，并展望了未来AI4Mat（Materials Science）生态系统的关键挑战与发展方向。

第一条轨迹：任务特定型AI——作为“求解器”的垂直领域专家 任务特定型AI，或称狭义人工智能，是当前材料科学AI应用的主导力量。它针对材料发现工作流中的特定环节，提供深度、精准的解决方案，充当高效“求解器”的角色。文章按工作流顺序，分四个阶段详述了其应用： 1. 假设生成：传统上，新材料的假设生成依赖于化学直觉和有限的实验数据，探索的化学空间极其有限。AI驱动的预测建模通过学习结构与性能之间的复杂映射关系，构建了计算代理模型，实现了大规模的高通量虚拟筛选。例如，通过图神经网络（Graph Neural Networks, GNNs）等模型，研究者可以在实验室合成之前，对数以百万计的候选材料进行性能评估。GNOME项目利用GNN和迭代主动学习，筛选了超过10亿个候选结构，发现了220万个新的稳定化合物，将已知无机晶体空间扩大了一个数量级。此外，机器学习势场（如M3GNet, MatterSim, MACE-MP-0）的发展，使得能够以接近第一性原理计算的精度进行大规模原子模拟，为从原子尺度理解材料行为提供了强大工具。这些进展将假设生成从概念性、推测性的过程转变为系统性、数据驱动的定量搜索。 2. 实验规划与优化：材料的物理合成是资源密集型瓶颈。AI通过将学习算法与实验实时反馈相结合，将直觉驱动的搜索转变为算法引导的优化过程。在算法层面，贝叶斯优化（Bayesian Optimization）等方法通过代理模型和采集函数，高效平衡探索与利用，以最少的实验次数寻找最优参数（如用于优化碳纳米管生长的ARES系统、锂离子电池快充协议的CLO框架）。对于涉及分类或组合选择的问题（如前驱体选择），则采用启发式搜索（如蒙特卡洛树搜索）、生成模型或强化学习进行逆向设计。知识引导的优化（如ARROWS3算法）通过整合热力学描述符等先验知识，进一步提升了搜索效率。在硬件集成层面，算法智能需要与机器人硬件、传感和自动化数据采集无缝耦合，形成“自主实验室”。这包括针对特定任务的专用高通量平台（如连续流化学平台RoboChem、用于碳纳米管合成的CARCO平台）以及模仿人类操作的通用型机器人系统（如用于有机分子合成的SynBot、用于固态合成的A-Lab）。软件抽象层（如Aecroscopy框架）通过提供统一的程序接口，正在解决不同硬件平台互操作性的挑战。此外，AI驱动的合成路线规划（如基于蒙特卡洛树搜索或Transformer的逆向合成分析模型）能够自动推断构建复杂目标分子的多步反应序列，将化学直觉转化为可执行的合成策略。 3. 表征与数据分析：现代表征技术产生海量高维数据（如显微图像、光谱、散射数据）。AI正在自动化地将原始实验信号转化为标准化的、定量的结构、成分和动力学描述符。在显微成像领域，深度学习模型用于高通量图像分割、缺陷识别（如通过无监督学习发现新型反位缺陷）、甚至通过生成式AI合成训练数据以解决数据稀缺问题。SARDiffuse等扩散模型能够对未校正的STEM图像进行去噪，实现亚埃级空间分辨率。在光谱与散射领域，AI替代了启发式的峰拟合，通过稳健的高维特征提取和概率推理来自动识别复杂结构特征。例如，CAMEO平台利用贝叶斯主动学习实时解读X射线衍射图谱进行相图测绘；AutoMapper通过结合晶体学知识的损失函数，实现对复杂XRD图案的快速精确分析。质谱和光谱分析中也广泛应用了机器学习流程（如基于LightGBM的TOF-SIMS分析、非负鲁棒PCA用于EELS成像），以实现化学指纹的高通量、精准识别。 4. 知识发现：这是AI在材料科学中角色的一个概念性转变——从提升效率的工具转变为理论构建的参与者，旨在从数据中提取可解释的物理知识、发现支配规律并构建数据驱动的定律。这体现在三个层面：揭示支配定律与对称性，例如通过符号回归（如SINDy框架、AI Feynman算法）从数据中直接发现金属-载体相互作用界面能的解析表达式；从数据中归纳原理与描述符，例如通过SISSO方法发现预测相稳定性的低维描述符，或通过无监督学习从电子态密度数据中自动提取d带中心、宽度等关键电子描述符；解释复杂系统与验证理解，利用可解释AI（如SHAP分析）量化不同特征对目标性能的贡献，或构建概率图模型来分解动力学模型中的不确定性来源，从而指导未来的理论修正。这些工作标志着AI能够帮助科学家形式化机制、暴露对称性，并构建连接经验观察与基础理解的、紧凑的、有物理依据的关系。

第二条轨迹：通用型AI——作为“指挥家”的整合与推理引擎 通用型AI，以大型语言模型（LLMs）和基础模型为代表，旨在处理通用的科学任务，充当未来整合碎片化工具链、实现自主工作流的“指挥家”。其发展围绕三个核心能力展开： 1. 知识表示与工程：这是通用型AI发挥作用的基础。演进路径包括：从无监督嵌入（如Word2Vec, Atom2Vec）捕获隐含的化学规律；到领域适应的Transformer模型（如MatSciBERT, MaterialsBERT, ElementBERT）学习材料科学的专业语义；再到将非结构化科学文本转化为可查询的结构化记录的信息提取管道；最终形成可执行的标准化本体和描述语言（如化学描述语言XDL），使得文献中的实验流程能够被编译为机器人指令。这种表示基础设施使得机器能够“理解”和“操作”科学知识。 2. 智能体工作流：基于上述知识表示，AI系统能够进化为智能体——可以推理实验目标、制定可执行计划并执行物理或计算任务的实体。这通过计划绑定（将自然语言指令映射为机器可执行命令）和工具增强架构（将LLMs与领域专用工具耦合）实现。例如，ChemCrow通过协调18个专业化学工具和RoboRXN平台自主规划并执行合成；Coscientist通过整合文档搜索与代码执行来自主控制实验仪器。更复杂的多智能体编排系统（如LLM-RDF框架、AI-Chemist）将研究任务分配给专门化的智能体（文献侦察员、实验设计师、硬件执行器等），实现跨实验、分析和优化的闭环决策。这些系统体现了从“知道”到“执行”的转变。 3. 人机协同推理：这是最高层次的协作，AI作为认知伙伴，帮助科学家进行机制推理、调和矛盾证据并生成新假设。与任务特定型AI的“硬性可解释性”（发现定量定律）不同，这种协作基于叙事理解、概念框架和假设探索。例如，LLMatDesign框架在提出材料改性建议前会先阐述明确的化学假设，并在计算结果与假设不符时进行自我反思和策略调整，模仿了人类的科学推理过程。在钙钛矿太阳能电池表面钝化剂的设计中，ChatGPT通过类比推理，从已知钝化剂的结构-功能关系出发，提出了从未被用于该目的的新候选分子（聚烯丙胺），并经实验验证有效。这种协作模式扩展了研究者的概念搜索空间，使AI成为科学假设的“合著者”。

未来展望与挑战 文章最后提出了塑造AI4Mat未来发展的五个关键维度： 1. 数据生态系统与自动化基础设施：当前材料科学数据存在孤岛化和报告非标准化问题。未来需推动社区范围内的标准化（如采用XDL等描述语言），并系统性地收录“失败数据”以消除幸存者偏差。同时，需向工业化数据生成范式转型，发展去中心化的高通量“自主实验室”和“云实验室”，通过自动化确保数据生成的一致性和规模。 2. 通用性与专业性的平衡：任务特定型AI在垂直领域深度解决问题，而通用型AI擅长跨领域整合与规划。未来的生态系统需要两者协同工作——通用型AI作为“操作系统”或“中间件”，协调调用各种高度专业化的任务特定型AI“应用程序”。 3. 连接模拟、实验与理论：当前AI模型在模拟与实验数据间存在分布差异（模拟-实验差距）。未来需要开发能够无缝桥接多尺度、多物理场和多模态数据的基础模型，并建立将物理定律、领域知识和数据驱动模型相结合的混合AI系统，以增强外推能力和可解释性。 4. AI4Mat时代的协作生态系统：AI将改变科研协作模式。需要建立新的协作框架，明确人类与AI的职责分工（如人类负责提出高层次科学问题、进行安全监督和最终解释，AI负责执行重复性任务、进行大规模数据分析和生成初步假设），并发展能够评估AI生成科学内容的可靠性与原创性的新标准。 5. 从AI4Mat到Mat4AI：这是一个前瞻性视角，即材料科学不仅作为AI的应用领域，也应成为AI发展的推动力。材料科学中复杂的多尺度问题、对可解释性和不确定性的高要求，以及需要将物理先验与数据融合的挑战，都将反过来推动新一代AI算法和架构的发展。

论文的意义与价值 这篇综述具有重要的学术价值和指导意义。它首次系统性地以“双轨迹”框架梳理了AI在材料科学中的全景式发展，不仅涵盖了从预测、合成到表征、知识发现的全链条应用，更前瞻性地指出了通用型AI与智能体工作流这一新兴前沿。文章超越了简单的技术罗列，深入探讨了每种方法背后的方法论原理、优势与局限，并清晰地指出了当前范式转变中的核心挑战（如数据生态、模拟-实验差距、人机协作模式）。它为材料科学家提供了一个理解AI能力的路线图，为计算机科学家指明了材料科学领域的独特需求和机遇，并为整个领域规划了通向“自主实验室”和下一代科学发现范式的战略方向。