AI驱动的发现能有多快、多省？
人工智能通过快速预测，取代了缓慢且昂贵的试错实验与计算模拟，从而极大加速了材料发现过程。例如，采用图神经网络的人工智能搜索引擎发现了50种新型交变磁性材料——其中包括四种罕见的“i波”类型——其速度远超人类专家，且该AI的预测结果已通过第一性原理计算得到验证[1]。在电催化剂发现领域，AI降低了传统密度泛函理论（DFT）计算与实验筛选所需的时间和成本[2]。同样，图神经网络在筛选用于单线态裂变的材料时，仅用传统量子化学方法所需的一小部分时间便筛查了超过2000万个分子结构，并识别出180个有前景的候选材料[3]。这些案例表明，AI能将数年的工作压缩至数天或数周内完成。
AI 发现的材料在实际应用中真的有效吗？
人工智能发现的材料已在真实实验中得到验证，但从预测到实际应用的流程仍面临挑战。在一项关于逆水煤气变换反应的实时实验中，采用大语言模型的贝叶斯优化方法，分别从3700个和36万个候选材料库中，在6次和10次迭代内识别出接近平衡一氧化碳产率的多金属催化剂[4]。这表明人工智能能够快速引导合成走向高性能材料。然而，挑战依然存在：数据质量至关重要——一项研究发现，在从科学文献中读取实验数据时，多智能体人工智能工作流的数据提取准确率比商业模型提高10-15%，比开源模型提高30%以上[6]。缺乏高质量数据，人工智能预测可能不可靠。此外，许多人工智能发现的材料仍需实验验证，且合成可行性、可扩展性及毒性（例如生物医学材料）等问题在广泛应用前必须得到解决[3][9][10]。
AI最适合发现哪些类型的材料？
人工智能在筛选大规模化学空间以寻找具有特定目标性能的材料方面表现出色，尤其是在高质量训练数据可用的情况下。例如，AI识别出六方氮化硼和碳化硼可作为星际飞船屏蔽层的双功能材料，并提出一种设计方案，相较于原始铍规格，预计可实现47%的质量减轻[7]。在能源存储领域，AI工作流程基于从4000多篇出版物中整理的超过3万条精选数据库，在几分钟内提出了新型储氢材料[6]。然而，当数据稀缺或存在噪声时，AI表现不佳，且模型可能难以泛化到全新类别的材料。研究强调，混合方法——将物理知识与数据驱动模型相结合——对于实现稳健的材料发现至关重要[5][8][10]。例如，基于机器学习的力场能够以较低成本达到从头算方法的精度，但需要仔细的训练和验证[10]。
关于这些来源
该答案基于10篇经同行评审的研究——发表于2025年至2026年，其中10篇来自2024年及以后，2篇发表于Q1期刊——这些研究是从通过质量筛选的10篇研究中选出的最相关成果，而后者又源自从超过5亿篇论文数据库中检索到的81篇文献。
本文引用的文献
AI加速发现交错磁性材料
采用图神经网络的人工智能搜索引擎发现了50种新型交变磁性材料（包括四种i波类型），速度远超人类专家，并通过第一性原理计算得到验证。
AI加速电催化剂材料的发现
AI通过加速DFT计算、探索反应机理以及预测性能，显著降低了电催化剂发现所需的时间和成本。
使用图神经网络高效筛选有机单线态裂变分子。
一种图神经网络从超过2000万个分子结构中筛选单线态裂变材料，识别出180个候选分子，其激发态能量的平均绝对误差约为0.1电子伏特。
基于上下文学习的催化反应贝叶斯优化。
基于大语言模型的贝叶斯优化方法，在实时实验中分别通过6次和10次迭代，从3700个和36万个候选物中识别出了高性能催化剂。
人工智能赋能新材料：从发现、合成、预测到验证
人工智能赋能材料发现，贯穿合成、预测与验证全流程，但数据质量与模型可解释性等挑战依然存在。
用AI智能体“潜入”氢能存储材料的发现之旅。
一种多智能体AI工作流将数据提取准确率提升至比商业模型高10-15%、比开源模型高30%以上，从而实现了氢储存材料的快速逆向设计。
超越铍：AI加速星际飞船屏蔽材料的发现
AI筛选识别出六方氮化硼和碳化硼作为双功能屏蔽材料，并提出一种设计，其质量预计比铍减少47%。
机器学习驱动的材料发现：解锁下一代功能材料——综述
机器学习驱动的方法（包括深度学习和贝叶斯优化）加速了性能预测与材料设计，但数据质量和可解释性仍是关键挑战。
纳米配位聚合物：合成、表征及新兴生物医学应用。
纳米配位聚合物在生物医学领域展现出潜力（例如ZIF-8的药物负载量可达70-80 wt%），但毒性和可规模化等问题仍待解决；人工智能辅助发现正成为新兴机遇。
通过人工智能推动材料发现
人工智能通过性质预测、逆向设计与自主实验室革新了材料发现，但仍面临模型泛化能力、数据标准化及实验验证等挑战。