为何数据稀缺与质量低下是最大障碍？
在这些研究中，最常被提及的障碍是缺乏大规模、高保真度的数据集。机器学习模型对数据需求巨大，但生成可靠的材料数据——无论是通过实验还是高级量子力学计算——既缓慢又昂贵。一篇论文直言不讳地指出，许多关键特性的数据现状“不仅数据稀少，而且质量存疑”[2]。这意味着模型往往只能基于规模小、噪声大或不一致的数据集进行训练，从而限制了其准确性和泛化能力。
不同计算方法得出相互矛盾的结果，使问题进一步复杂化。研究人员正在探索变通方案，例如在密度泛函理论（DFT）中采用“泛函共识”来提高数据可靠性[2]，但这增加了复杂性。另一项研究指出，尽管像材料项目（包含超过63,000种材料的能带结构数据）这样的数据库是宝贵的资源[6]，但即便是这些大型数据库，也可能无法覆盖特定发现任务所需的特定性质或条件。核心问题依然存在：没有可靠的数据，就无法训练出可靠的人工智能，而大规模生成这些数据本身就是一个根本性的科学挑战。
为什么AI预测极少能转化为实际材料？
一个关键的研究空白在于，计算机预测的材料稳定性与实际实验室合成之间存在脱节。人工智能模型可以筛选数百万种假设化合物，但往往无法考虑真实合成过程中复杂的热力学与动力学因素。一篇综述指出，"数据驱动发现全新、从未报道过的化合物的案例仍然有限"[7]，这表明大多数人工智能发现的候选材料要么是已知的，要么在实际条件下热力学不稳定。
这一差距在一定程度上由预测形成能的模型所弥补——形成能是判断化合物能否合成的关键指标。同一项研究还指出，预测“凸包”（一种热力学稳定性图）是至关重要的步骤，并且模型已成功“发现了新的DFT稳定化合物，并指导了材料合成”[7]。然而，这与常规、可靠的发现相去甚远。挑战在于，即使预测出热力学稳定的化合物，也可能需要极端的合成条件（例如极端压力[5]），这些条件并不适用于广泛的实际应用。人工智能可以指明方向，但从预测到实际样品的路径仍未被充分探索。
“黑箱”问题如何阻碍进步？
即使人工智能模型能够正常运行，科学家们也常常无法完全信任或从中学习，因为这些模型是不透明的。一篇重要论文指出，机器学习的结果因其“在需要解释的任务中”的缺陷而“受到限制”[3]。这是一个关键的证据缺口：如果一个模型预测出一种新型高性能热电材料，却无法解释*为什么*（例如，哪些原子特征驱动了高塞贝克系数），那么它提供的科学见解就十分有限，并且难以将该发现推广到其他系统中。
这并非无法解决的难题，但仍是当前活跃的研究领域。有研究表明，对训练模型进行特征分析可以“加深我们对材料结构-性能关系的理解”[1]，而权重分析则有助于“深入理解样本特征”[1]。例如，在发现交变磁性材料的过程中，采用图神经网络的人工智能搜索引擎“表现远超人类专家”[4]，但该论文更侧重于“发现了什么”（50种新材料），而非“为什么能发现”。该领域正陷入一种权衡：最强大的模型（如深度神经网络）往往最难以解释，而更简单、更透明的模型则可能遗漏细微模式。弥合这一可解释性差距，对于建立科学可信度、实现真正的知识发现（而不仅仅是模式匹配）至关重要。
关于这些来源
该答案基于8篇经同行评审的研究——发表于2021年至2025年间，其中3篇为2024年及以后发表，6篇发表于Q1期刊，累计被引300次——这些研究是从9篇通过质量筛选的研究中选出的最相关成果，而9篇研究又源自从超过5亿篇论文数据库中检索到的37篇文献。
本文引用的文献
机器学习在能源材料发现中的前景
强调，尽管机器学习降低了能源材料（如预测带隙）高通量筛选的成本，但对于复杂系统而言，从头算计算成本仍然较高，而有效的数据管理则是一项关键挑战。
大数据的大胆：克服计算材料发现中机器学习的数据稀缺与数据质量挑战
指出了数据稀缺与质量的核心问题，指出许多属性的数据现状“既数量稀少又质量存疑”，并探讨了诸如通过DFT泛函达成共识等缓解策略。
基于机器学习和知识发现的材料发现
认为机器学习在材料科学中的应用成果有限，因其在需要解释性解读的任务中存在不足，并呼吁转向机器生成的知识发现。
AI加速发现交错磁性材料
展示了一个成功的人工智能搜索引擎，它发现了50种新型交变磁性材料（包括4种i波类型），表现优于人类专家，但其重点在于预测，而非解释背后的物理机制。
机器学习推动高压材料发现取得进展
综述了机器学习辅助下的高压晶体结构预测，指出传统方法在计算效率和可扩展性方面面临挑战，而机器学习有助于解决这些问题。
基于机器学习辅助的电子能带结构材料发现
利用来自Materials Project（63,588种材料）的能带结构数据训练机器学习聚类算法，表明大型数据库是宝贵资源，但需要谨慎进行特征工程和降噪处理。
通过机器学习形成能来发现材料
指出通过数据引导发现全新且从未报道过的化合物的实例仍然有限，并强调将形成能预测作为判断合成可行性的关键步骤。
机器学习在材料发现中的应用：二维拓扑绝缘体
报道了一种机器学习策略，其发现二维拓扑绝缘体的效率比试错法高出10倍，并成功发现了56种非平凡材料，但强调针对不同结果，对每个机器学习组件的详细研究至关重要。