AI物质科学
2026, 75 (1): 010705.
doi: 10.7498/aps.75.20251253
摘要 +
密度泛函理论在当代电子结构计算中占据主流地位, 然而其计算复杂度随体系规模呈立方增长, 制约了在复杂体系或高精度计算中的应用. 近年来, 机器学习与第一性原理计算的结合, 为这一问题提供了新的解决方案. 本文对机器学习加速电子结构计算的方法进行了综述, 重点讨论现有研究在加速材料电子结构计算中所取得的重要进展. 此外, 对未来研究中基于机器学习技术进一步克服电子结构计算的精度和效率瓶颈、扩展适用范围、实现在大尺度材料体系中计算模拟与实验测量的深度融合做了展望.
2025, 74 (24): 240701.
doi: 10.7498/aps.74.20250989
摘要 +
近年来, 机器学习在材料科学中的应用显著加快了新材料的发现, 特别是在结合第一性原理计算等传统方法后, 能够高效筛选已有数据库中的潜在高性能材料. 然而, 此类方法大多局限于已有化学空间, 难以实现对全新材料结构的主动设计. 为突破这一瓶颈, 基于生成模型的材料逆向设计方法逐渐兴起, 成为探索未知结构与性质空间的重要手段. 尽管当前生成模型在晶体结构生成方面取得了初步进展, 但如何实现目标性质导向的材料生成仍面临显著挑战. 本文首先介绍了近年来在材料生成领域中具有代表性的生成模型, 包括CDVAE, MatGAN以及MatterGen, 分析其在结构生成上的基本能力与局限. 随后重点探讨如何将目标性质有效引入生成模型, 实现性质导向的结构生成, 具体包括基于目标性质向量的Con-CDVAE、融合结构约束与引导机制的SCIGEN、通过适配器实现性质调控的微调版MatterGen以及结合隐空间搜索优化的CDVAE隐变量优化策略. 最后总结当前性质导向生成机制面临的挑战, 并展望其未来的发展方向. 本文旨在为研究者深入理解和拓展性质驱动的材料生成方法提供系统性参考和启发.
2025, 74 (18): 188101.
doi: 10.7498/aps.74.20250497
摘要 +
随着人工智能技术的飞速发展, 大语言模型已经成为材料科学研究范式变革的核心驱动力. 本文系统性地综述了大语言模型在材料科学全链条中的创新应用: 在知识发现与挖掘领域, 大语言模型凭借高效的信息检索和数据提取能力, 为材料研究提供了关键起点, 奠定了新范式的基础; 在材料设计与实验优化方面, 大语言模型通过跨尺度知识融合与智能推理, 能够揭示数据间的潜在关联, 在加速计算、合成设计、结构与性质预测、逆向设计等关键环节提供极具价值的解决方案, 大语言模型与自动化实验平台的深度融合, 实现实验流程的自然语言控制, 显著地提升了高通量实验的迭代效率. 研究表明, 大语言模型通过知识挖掘、知识推理与流程控制的三元协同, 正在重塑材料研发的全流程. 展望未来, 随着多模态感知与可解释性增强技术的发展, 大语言模型将推动材料科学研究进入新阶段.
