嵌入原子神经网络方法的发展
摘要：近年来, 原子神经网络势函数以及性质表达的方法迅速发展, 并广泛应用于化学、物理和材料科学等诸多领域的原子级别模拟中. 其中, 嵌入原子神经网络方法是受嵌入原子方法力场的物理形式所启发, 结合机器学习发展的一系列高效率的原子神经网络方法. 本文介绍了嵌入原子神经网络系列方法开发和应用的最新进展, 并在最后展望了未来机器学习势函数开发和应用中面临的挑战和机遇.
低碳能源化工AI基础模型与新材料智能发现平台
摘要;实现“双碳”目标需要能源、化工和材料等多个领域协同, 但其核心科学问题解决与关键工程技术实现的速度受传统研发范式掣肘, 亟需突破. 以基于“小数据”的主动学习和基于“大数据”的基础模型为代表的人工智能(AI)技术深刻改变了领域研究范式, 垂直领域AI基础模型重构并建立了低碳能源化工领域的新一代知识网络,新材料智能发现平台标志着AI for Science的研究新范式在低碳能源化工领域的落地. 近年来, 研究者在低碳能源化工领域的多层次多尺度主动学习框架和AI基础模型上开展了一系列研究, 本文将详细介绍相关工作并对低碳能源化工与人工智能交叉领域的机遇、挑战与展望进行讨论.
AI驱动的材料设计: 从小数据到大数据的范式转变
摘要：人工智能(AI)的崛起正推动材料科学迈入高效设计与发现的新时代, 其核心在于通过数据驱动的模型揭示材料构效关系的深层规律. 然而, 与自然语言处理、计算机视觉等领域相比, 材料数据的规模受限于实验合成表征以及高精度计算的高成本, 呈现出典型的“小数据”特征, 这为AI模型的泛化能力与预测精度带来严峻挑战.本文系统综述了面向小样本材料数据的高效学习策略与技术路径, 并介绍了课题组在该领域的研究成果: 首先,针对材料数据的高维度、稀疏性和强关联特性, 重点探讨基于迁移学习、主动学习与针对材料的特征工程来突破小样本约束; 其次, 剖析材料数据的演进趋势, 主要聚焦高通量计算、生成模型与标准化数据库的协同发展;最后, 展望材料大数据与AI深度融合的前沿方向, 如基于大语言模型的材料设计, 跨材料体系的预训练大模型构建. 本文重点介绍作者在小数据场景下开发的AI驱动的材料设计方法, 同时探讨材料数据与AI模型协同发展为材料科设计范式带来的转变.
连续螺旋微纳纤维材料的研究进展与应用探索
摘要：近年来, 连续螺旋微纳纤维因其独特的几何特征和物理化学性质, 在智能材料、仿生设计和精准医疗等领域引发了广泛关注. 其可控的形变机制和动态响应特性, 为开发新一代功能柔性材料和技术提供了全新的研究视角. 静电纺丝和微流控技术为制备连续螺旋纤维提供了创新途径. 静电纺丝通过电场力实现了螺旋纤维的高长径比和有序排列, 而微流控技术则通过精细的流体控制展现了螺旋几何特征的高度可控性. 这两种技术共同推动了微纳米螺旋连续纤维的功能化和应用多样化. 本文系统地综述了两种技术在制备螺旋纤维方面的关键机理和影响因素, 并介绍了螺旋纤维在生物医学、环境治理和智能传感等领域的应用. 最后, 探讨了该领域的当前挑战和未来发展前景.
材料基因工程与智能科学：AI+时代无尽前沿
摘要：面向2040 现代化强国发展战略需求，以新材料、新质生产力和新产业融合发展为驱动，全面梳理强国战略和相关国家政策与行动纲要对前沿性−颠覆性关键技术和关键材料发展的共性需求，阐述了材料基因工程核心关键技术的发展与革新为人工智能数据基础设施、材料大模型基座、新材料研发及其产业应用等关键核心技术创新奠定重要基础。人工智能将进一步促进高通量智能计算软件/工具的开发、从高通量实验到自主实验范式革新并加速材料智能体的发展、数据资源节点和平台与数据标准规范的建设、新质生产力和新材料产业发展以及教育范式变革和新一代生力军培养。材料基因工程与智能科学的融合，正在以“理论重构、技术赋能、产业牵引”三位一体模式，重塑材料科学与技术以及教育的底层逻辑。它不仅是单一学科的升级，更是一场涉及科研范式、产业生态和人才培养模式的系统性变革，将为新材料、新兴产业和未来产业等重点领域培养复合型人才。
二维材料及其异质结的精准构筑
摘要:二维材料因其原子级厚度和独特物理化学性质, 在半导体工业、量子计算等多个领域展现出巨大潜力. 二维材料异质结由不同种类二维材料经范德华作用组合, 其任意堆叠的特性进一步扩展了二维材料应用前景. 因此,在二维材料的产业化进程中, 二维材料及其异质结的精准构筑成为关键因素. 然而, 晶圆级、高平整度、高质量的二维材料及其异质结的制备依然面临着严峻挑战. 本文具体分析了当前二维材料制备的瓶颈和难点, 详细综述了近年来本课题组在二维材料精准构筑领域的最新研究成果, 主要包括质子辅助处理、完全自限制生长、“平整对平整”叠层转移、“由高到低”堆垛生长等创新策略, 成功实现了二维材料及其异质结的精准可控制备. 最后, 本文对未来研究方向进行了展望. 我们认为这些开创性方法的提出与实现将进一步提升石墨烯、过渡金属硫族化合物等二维材料及其异质结的先进制备水平, 拓展二维材料应用前景, 加速二维材料从实验室研发到工业大规模生产的转化进程.
双层范德华磁性材料的理论研究进展
摘要：二维范德华磁性材料因其独特的物理特性已成为下一代自旋电子器件的重要候选材料, 尤其在双层磁性材料中, 多样化的堆叠构型诱导出可调控的磁序和丰富的量子现象. 基于第一性原理计算, 研究人员能够系统预测和设计新型磁性堆叠结构. 随着人工智能的快速发展, 高通量计算与深度学习为双层磁性材料的探索开辟了新途径.本文首先讨论了层间滑移与转角对磁序和物态的调控机制, 分析了层间耦合在磁电耦合、非共线自旋态及磁斯格明子形成中的关键作用. 随后, 介绍了高通量计算与深度学习在加速磁性材料堆叠设计中的关键应用. 最后, 对该领域面临的挑战进行了展望, 并提出了未来可能的发展方向.
AI驱动的新材料智能研发与数据标准化
摘要：近年来, 随着人工智能(artificial intelligence, AI)和自动化技术的快速发展, AI驱动的自主实验室在新材料智能研发领域展现出巨大潜力, 将成为新材料研发范式变革的“新基建”. 本文聚焦AI驱动的自主实验室在加速新材料发现中的国内外现状和核心挑战, 综述了AI驱动自主实验系统在加速新材料发现中的最新进展. 自主实验室通过将实验室自动化、机器人技术和AI算法、数据库融合为一个整体, 形成闭环反馈工作流, 在无需人工干预下高效优化目标性能. 根据自主实验室硬件和软件的技术特征和自主化程度, 可将其分为等级0至等级5. 数据驱动是AI技术的基础, 除了自主化程度外, 自主实验室具备智能化数据工厂的特征, 自主实验室既是数据的生产者也是数据的使用者, 数据标准化是打破自主实验室信息孤岛, 从“孤立智能”迈向“协同智能”的关键环节. 文中最后探讨了自主实验室建设面临的挑战并对未来发展方向进行了展望.
数据驱动研究范式下材料数据库的构建与应用
摘要：近年来, 随着大数据和人工智能技术的发展, 数据驱动的材料研发范式在材料构效关系挖掘和新材料设计与筛选等方面展现出显著优势. 数据作为此研究范式的基础, 在拓展材料设计空间和提升人工智能模型性能方面具有重要意义. 因此, 构建高质量材料数据库是数据驱动材料研发的重要一环. 自“材料基因组计划”启动以来, 理论数据库和实验数据库的数量和规模持续扩大, 数据基础设施和大数据技术也得到了充分发展. 本文围绕数据驱动研究范式下的材料数据库构建展开讨论, 首先从数据生成、数据预处理、数据存储和数据访问4个方面出发重点叙述了数据库构建的主要步骤, 然后基于数据体量、数据种类、访问方式和数据库特色等方面对国内外具有代表性的材料数据库进行总结, 最后从材料数据本身和数据基础设施建设两个视角出发, 对材料数据库未来的发展进行展望.
二维铁电材料的研究进展
摘要：二维铁电材料展现出区别于传统铁电体的属性——显著减弱的退极化场效应, 这为器件微型化与功能集成提供了新机遇. 基于自极化机制的二维铁电材料已被实验证实, 并成功实现了单层极限的稳定室温铁电性, 其铁电起源与传统铁电体的离子位移模型一脉相承. 更有意思的是, 基于二维材料的新型滑移铁电体突破了这一理论框架: 它不依赖母体的本征极化, 仅需通过调控范德华(van der Waals, vdW)异质结的层间滑移矢量, 即可在六方氮化硼、过渡金属硫族化合物等非自极化材料中诱导稳定的宏观极化. 这种面外极化源于层间电荷再分布, 其超低能量势垒赋予极化方向非易失性翻转能力, 在超高密度存储器、光电器件等领域展现出独特应用优势. 本文系统梳理二维铁电材料的研究进展, 着重阐释各类滑移铁电体的构效机制与实验表征, 探讨栅压调控、光电响应等应用前景的实验探索, 最后展望该领域在机制研究、动态响应、工业化制备等方面面临的挑战.
