论坛概况与影响力 - 第九届材料基因工程国际论坛定于2025年11月19-23日在陕西省西安市召开 [1] - 论坛自2017年至今已成功举办8届，累计有310余位（次）海内外院士、超过20个国家和地区的410余位（次）海外代表、8000余位（次）国内代表参会 [1] - 论坛旨在促进材料基因工程基础理论、前沿技术和关键装备发展，加速材料领域“人工智能+”科技创新和产业应用 [1] 论坛主题与核心议题 - 论坛主题涵盖材料高效计算与智能设计、材料变革性实验技术、材料科学智能与大模型、材料大数据与数据资源、材料产业智能化发展与应用五大方向 [2] - 核心议题包括集成计算、跨尺度计算、自主计算、高通量实验、自主智能实验、AI for Materials等前沿技术 [2] 组织机构与参与单位 - 主办单位为全国新材料大数据创新联盟和中国材料研究学会 [2] - 承办单位包括西北工业大学、西北有色金属研究院、西安交通大学、北京科技大学、北京云智材料大数据研究院等 [2] - 支持单位阵容强大，涵盖苏州实验室、清华大学、上海交通大学等顶尖高校院所，以及宁德时代、阿里云等产业龙头 [3] 重要活动与议程安排 - 11月20日开幕式将举行国家新材料大数据中心成果发布，包括材料数据库软件、材料机器学习平台、钢铁材料设计大模型等多款工具 [8] - 同期将发布“材料计算设计软件国产化行动计划”，推动行业自主可控发展 [8] - 论坛设置主论坛、6大分论坛及MGE Advances期刊论坛，学术报告数量超200场 [7][9][12][15][18][20][23][25][27][29] 产学研融合与产业应用 - 分论坛报告内容显示AI技术已在锂电池材料、固态电解质、高温合金、催化材料等关键领域实现深度应用 [10][11][16][17][21][22][26] - 宁德时代、上海电气、国家能源集团等企业代表将分享产业智能化实践案例 [3][19][21] - 国际分会场涵盖俄罗斯、新加坡、哈萨克斯坦等“一带一路”沿线国家，体现论坛全球化视野 [29][30][31] 注册信息与参会方式 - 正式代表现场注册费用为人民币2800元（USD 400），学生代表为人民币1800元（USD 260） [5] - 参会需通过论坛官网或“北京云智材料大数据研究院”微信公众号完成在线注册 [5] - 会议地点为西安市陕西宾馆，住宿由组委会统一安排，费用自理 [5]

技术突破与模型创新 - 开发出全新AI材料设计模型CGformer，成功突破传统晶体图神经网络（如CGCNN、ALIGNN）仅关注局部原子交互的局限 [1][2] - 模型创新性地将Graphormer的全局注意力机制与CGCNN的晶体图表示方法融合，并集成中心性编码和空间编码，使其能捕捉长距离原子间的相互作用 [2][6][9] - 通过多头注意力模块使每个节点能“关注”晶体图中所有节点，而非仅相邻节点，实现了对复杂晶体结构全局信息的处理能力 [7][9] 模型性能优势 - 在预训练阶段，CGformer的10折交叉验证训练集平均绝对误差（MAE）为0.1703，较CGCNN性能提升25.7%；测试集平均MAE为0.3205，提升近10% [10] - 在针对高熵钠离子固态电解质（HE-NSEs）的研究中，CGformer的平均绝对误差较CGCNN降低了25% [4] - 在微调阶段，模型经过约10轮微调后MAE即显著下降，最终10折交叉验证平均MAE仅为0.0361，预测值与真实值偏差极小 [12] 实际应用成果 - 从148,995种可能的高熵结构中筛选出18种，成功合成并验证了6种高熵钠离子固态电解质（HE-NSEs） [4] - 实验合成的6种HE-NSEs材料在25℃室温下的钠离子电导率在0.093至0.256mS/cm之间，显著高于未掺杂的Na₃Zr₂Si₂PO₁₂ [13] - 研究成果已发布于顶级期刊《Matter》，展示了其在新能源电动汽车和电网储能等领域的实际应用价值 [3][4] 数据集构建与支持 - 构建了当前已知规模最大的高熵结构中钠离子扩散能垒（Eb）数据集，用于CGformer的预训练 [4] - 以Na₃Zr₂Si₂PO₁₂为基础，在Zr位点考虑45种潜在高熵掺杂元素，形成包含148,995种可能结构的初始化学空间，并通过多轮筛选最终得到用于微调的专用数据集 [5] - 从Materials Project数据库提取含钠结构的能量高于凸包值数据，整理成专用训练集用于评估HE-NSEs热力学稳定性 [5] 行业发展趋势 - “人工智能+材料”已成为材料科学领域的前沿研究方向，展示出学科交叉的强大发展潜力和应用价值 [16] - 该团队去年在《Energy Storage Materials》上提出的T-AIMD人工智能模型，将传统AIMD模拟速度提升了100倍以上 [17] - 德国柏林工业大学等团队也提出了深度学习架构SchNet，在分子和材料的化学性质预测中展示出强大能力 [18]

研究突破 - 昆明理工大学材料科学与工程学院团队提出连续迁移机器学习框架 成功解决小数据集下材料多性能预测技术瓶颈 [1] - 该框架基于海量材料形成能数据训练基础模型 通过迁移学习依次预测材料稳定性、带隙、体积模量等关键性能 [1] - 在仅51条数据的剪切模量预测任务中 通过二次迁移使小数据集预测可靠性显著提升 [1] 应用成果 - 从18000余种候选材料中快速筛选出54种兼具高稳定性与优异延展性的无机双钙钛矿涂层材料 [2] - 六氟合铱酸铯铜材料表现突出 带隙值适配光伏应用 剪切模量与体积模量比值显示高延展性 [2] - 研究成果为钙钛矿太阳能电池和光催化领域提供候选材料库 [2] 技术价值 - 迁移学习框架为材料多性能协同优化提供普适性解决方案 破解数据少任务多的材料研发难题 [2] - 该成果是昆明理工大学在材料信息学领域的重要进展 依托金属先进凝固成形及装备技术国家地方联合工程研究中心完成 [2]