科学通报|突破数据瓶颈！天大陈亚楠团队解析AI驱动材料研发新范式|实验|科学通报|陈亚楠|驱动材料|高通量

随着ChatGPT、Sora等大模型的爆发，人工智能（AI）正在深刻改变人类社会的各个领域。在科学界，“AI for Science”正成为推动物质科学发展的新引擎。然而，如果说AI模型是动力强劲的发动机，那么数据就是不可或缺的燃料。数据的质量与规模，直接决定了AI模型性能的上限。

在材料科学领域，“数据稀缺”却长期制约着AI技术的深度应用。传统的材料研发往往依赖于“试错法”（Trial and Error），实验周期长、成本高，产生的数据不仅规模小，而且由于缺乏统一的标准化记录，往往以非结构化的形式散落在文献甚至研究人员的实验记录本中。

面对这一困境，天津大学材料科学与工程学院陈亚楠教授团队在“人工智能-能源材料交叉前沿专题”发表了最新综述文章。文章直击核心痛点，以“材料AI的数据从哪里来？”为核心问题，全面系统地梳理了AI驱动材料研发中数据获取方式的演进历程与多源融合趋势。

图1

如图1所示，为了突破数据瓶颈，材料科学家们开辟了三条截然不同却又殊途同归的“破局之路”：

突破一：高通量计算——奠定材料AI的数据基石

在AI切入材料领域的早期，以密度泛函理论（DFT）为代表的高通量计算发挥了不可替代的作用。通过超级计算机不间断地“虚拟合成”，科学家们建立起了如Materials Project、OQMD等海量材料数据库。这些数据库具有规模大、结构化程度高的特点，为机器学习模型的训练提供了第一桶“数字黄金”。局限性提示：尽管高通量计算数据量庞大，但其计算精度与真实实验环境仍存在固有鸿沟，且在预测复杂反应动力学、缺陷和非平衡态性质时往往力不从心。

突破二：大语言模型（LLM）——沉睡文献的“超级掘金者”

世界上有数以千万计的材料科学论文，其中蕴藏着海量的真实实验数据。过去，这些数据大多以自然语言的非结构化形式存在，难以被传统程序读取。近年来，大语言模型（如GPT系列）的兴起带来了革命性的变化。大模型可以像人类专家一样阅读海量文献，从中自动提取合成配方、实验条件、性能指标等，并将其转化为结构化数据。这为弥补理想计算数据与复杂实验数据之间的鸿沟提供了全新的、低成本的途径。

突破三：超快制备技术——高通量实验数据的“加速器”

真正的材料发现最终必须回归实验。如果合成一个新材料需要几天，那么再聪明的AI也会被物理世界的速度拖后腿。此时，超快制备技术（如高温热冲击技术等）应运而生。这类技术通过极高升温速率和极短反应时间（几秒甚至几毫秒内），将原本漫长的材料合成周期极致压缩。当超快合成与自动化高通量表征结合，每天生成成百上千个真实的实验数据点成为现实，彻底打通了物理世界的“数据生成”瓶颈。

高通量计算提供了广阔的探索空间，大模型文献挖掘提供了历史经验，而超快制备技术提供了快速的物理验证手段。本文指出，这三种数据来源并非孤立存在，它们的优劣互补与深度融合，正在催生材料研发的终极形态——闭环自主实验室（Self-Driving Labs）。

在材料AI的下一个十年，单纯追求算法的改进已不足以引发质变，谁掌握了高质量的多源数据，谁就掌握了新材料发现的未来。