摘要：在人工智能与材料科学深度交融的前沿，四篇发表于Science Bulletin的里程碑研究，以“通用化”“逆向化”“智能化”为核心突破，共同绘制出材料研发的颠覆性蓝图。

在人工智能与材料科学深度交融的前沿，四篇发表于Science Bulletin的里程碑研究，以“通用化”“逆向化”“智能化”为核心突破，共同绘制出材料研发的颠覆性蓝图。

段文晖/徐勇团队打造的DeepH通用材料模型，通过深度学习密度泛函理论，首次实现跨元素、跨结构的电子态精准预测，为材料科学构建了“AI量子计算引擎”，将物性预测从局部经验推向全局智能；

龚新高/尹万健团队提出的全空间逆向设计方法FSIMD，突破传统试错范式，基于通用机器学习势与优化算法，无需预设成分与结构即可全自动“反写”目标材料，在形成能与力学参量设计中验证了“功能定义物质”的可能性；

孟胜/刘淼团队发布的GPTFF通用力场模型，以原子级精度覆盖任意无机材料，将分子动力学模拟精度提升至32 meV/原子级，其开箱即用的开源特性，使复杂材料体系的动态模拟成为普惠工具。

与此同时，刘悦/施思齐团队开发的Auto-MatRegressor，通过元学习与贝叶斯优化，彻底解放材料科学家的调参负担，实现机器学习模型自动构建，将建模周期从数周压缩至分钟级，让AI真正成为科研“智能助手”。

四大突破层层递进——从基础物性解析、逆向设计逻辑到微观动态模拟与智能算法赋能，形成AI驱动材料研发的完整技术闭环，不仅破解了传统方法在跨尺度、多目标设计中的效率瓶颈，更预示着一个“材料智能编程”时代的降临：未来，从超导材料到量子器件，从能源材料到纳米器件，人类或将通过数据与算法直接“编译”物质性能，以AI为桥梁，在数字宇宙中无限逼近材料的终极可能。

Universal materials model of deep-learning density functional theory Hamiltonian

王昱翔, 李洋, 唐泽宸, 李贺, 袁子龙, 陶泓耕, 邹念龙, 包挺, 梁兴昊, 陈泽洲, 许上华, 边策, 许祗铭, 王冲, 司晨, 段文晖, 徐勇

Science Bulletin2024, 69(16): 2514–2521; doi: 10.1016/j.scib.2024.06.011

程观剑, 龚新高, 尹万健

Science Bulletin2024, 69(19): 3066–3074; doi: 10.1016/j.scib.2024.07.015

谢帆恺, 芦腾龙, 孟胜, 刘淼

Science Bulletin 2024, 69(22): 3525–3532; doi: 10.1016/j.scib.2024.08.039

刘悦, 王双燕, 杨正伟, Maxim Avdeev, 施思齐

Science Bulletin 2023, 68(12): 1259–1270; doi: 10.1016/j.scib.2023.05.017

本期编辑

刘淼博士现就职于中国科学院物理研究所，任研究员、博士生导师，松山湖材料实验室研究员。2023年1月加入Science Bulletin特邀编辑团队。他致力于发展“人工智能+材料科学”方向的研究。科研方向还包括：高精度、强范化性的人工智能材料物性预测模型；基于工业协作机器人的自动化无机功能材料合成表征实验室。

来源：科学馆60号