AI驱动材料设计热潮 - 传统材料发现依赖密度泛函理论（DFT）方法，但计算量极大，筛选数百万种化合物成本高昂[2] - 深度思维公司GNoME AI系统一次性发现220万种新型晶体材料，包括5.2万种类石墨烯层状化合物和528种有望改进可充电电池的锂离子导体[2] - 劳伦斯伯克利国家实验室A-Lab机器人系统通过研读论文掌握配方设计能力，可合成DFT预测但未制备的化合物，并实现闭环优化[2] - 微软MatterGen AI工具能直接生成符合特定设计条件的材料，科学家可指定材料类型和机械、电气、磁性等性能需求[3] - 元宇宙平台公司与佐治亚理工学院合作，聚焦金属有机框架材料，预测出100多种对二氧化碳强吸附的结构，支撑直接空气捕获碳技术研发[3] AI材料发现的争议与挑战 - 部分AI预测化合物被指缺乏原创性和实用价值，例如深度思维GNoME预测的1.8万多种化合物包含钷、锕等稀有放射性元素[4] - A-Lab合成的41种无机化合物中，部分材料描述有误或为已知材料[4] - 微软MatterGen被指合成的“钽铬氧化物”无序化合物实为1972年已制备的材料，并可能已纳入其训练数据[4] - 元宇宙平台公司的合作项目被计算证实其新材料无法实现直接空气捕获，模型高估了材料与二氧化碳结合能力，部分因训练数据库误差[5] AI材料发现的优化与未来方向 - 微软开发辅助AI系统MatterSim，专门验证MatterGen提出的结构在真实温度、压力条件下的稳定性[7] - 材料发现面临将实验室成果转化为规模化制造并融入商业产品的挑战[7] - Citrine信息学公司为客户提供定制化AI模型，基于客户专有实验数据训练，并融入研发人员的“化学直觉”以增强判断力[7] - 社会对新材料的迫切需求将持续推动AI在材料科学领域的探索，以解决重大社会挑战背后的材料瓶颈[7]