0 引言
材料化学的主要研究内容
[1]包括3个方面：1）材料的结构化学，即以化学为基础来设计具有特定物理化学特性（如磁性、光学或催化特性）的材料；2）材料制备过程的热力学，主要研究气体和溶液的热力学、吉布斯自由能变化、相图和相变；3）材料制备过程的动力学，主要研究传质理论、化学反应速率和化学反应的控制步骤。
人工智能（AI）正在推动科学范式发生变革，材料化学是其中的一个重要领域。美国、日本、欧洲等主要国家/地区支持材料基因组、智能材料、信息集成型材料等计划，这些计划中包含了对AI驱动的材料化学研究的项目部署。
本文基于AI驱动的材料化学研究的项目和论文数据，结合定性和定量的方法研究如下问题：1）该领域取得哪些重要进展?2）哪些具体的AI技术在材料化学中最有影响力?3）AI技术在哪些方向加速材料化学领域的研究进程?4）该领域面临什么挑战?
1 美国、欧盟、英国、日本等部署项目支持AI驱动的材料化学研究
美国通过材料基因组计划在AI驱动的材料化学研究领域部署项目。2011年，美国推出材料基因组计划，支持发现、制造和部署先进材料，材料基因组计划主要资助机构包括美国国防部、能源部、国家标准与技术研究所（NIST）、国立卫生研究院（NIH）和国家科学基金会（NSF）。在人工智能驱动材料化学领域，NSF的主要计划包含“设计材料以革命和设计我们的未来”（DMREF）和材料创新平台（MIP）（
表1），NIH重点支持生物材料相关研发，NIST重点支持材料数据、工具和技术研发，以及多个长度和时间尺度的材料现象模拟。
欧盟和英国支持用AI/机器学习驱动的材料化学研究。2014—2024年，欧盟地平线2020计划和欧洲研究委员会资助“百亿亿级材料设计（MaX）”项目（850万欧元）
[2]﹑“欧洲AI按需平台和生态系统（AI4EU）”项目（2067万欧元）
[3]﹑“材料基因组”项目（248.67万欧元）
[4]﹑“氢键网络结构复杂性的解码、映射和设计：从水到蛋白质再到聚合物”项目（150万欧元），以及“新材料发现（NOMAD）”项目及其扩展项目“新材料发现卓越中心（NOMAD CoE）”（约1000万欧元）
[5-6]。2015—2024年，英国研究与创新署资助“基于计算与实验集成加速材料发现”项目
[7]（665.06万英镑）﹑资助建立化学人工智能（AIchemy）中心
[8]（
表2）。
日本支持AI/机器学习和数据驱动的物质和材料研发。2015年至今，日本科学技术厅资助日本国立材料科学研究所“信息集成倡议材料研究”项目，开展数据驱动（信息集成）的材料研究
[9]。2017年起，丰田研究所与大学和国家实验室合作，投入7000余万美元，支持材料发现基础研究，包括AI/机器学习理解电池退化和指导催化剂纳米颗粒合成
[10-11]。2020年，日本成立产学官合作组织“材料集成联盟”，推动综合型材料开发系统实际应用，利用AI和数据科学，该系统可以预测材料加工工艺、结构和性能，也可以根据性能需求快速探索最佳加工工艺和化学成分
[12]。2024年，日本文部科学省提出支持光学与信息、材料等相互融合的尖端技术等战略目标
[13]（
表3)。
2 论文数据来源和分析工具
论文数据来自科睿唯安Web of Science（WoS）数据库的SCI-E和 CPCI-S引文数据库。论文检索式是2个部分的并集。1）AI技术。本文按照算法分类关系进行关键词分解，还直接纳入了WoS“计算科学, 人工智能”类别中的全部论文。首先，AI的主流算法为机器学习，机器学习可分为监督学习、无监督学习和半监督学习等类型（监督学习又可分为回归与分类），其常用算法具体包括神经网络、支持向量机、决策树、随机森林和强化学习等；另一主流算法为深度学习，又可分为卷积神经网络、循环神经网络等；另外，遗传算法也是人工智能应用于材料研发的热点算法。2）材料化学。本文根据材料化学的主要研究内容制定材料化学的检索式，同时将论文类别限定在既属于WoS“化学”又属于“材料”类别，或者将论文发表的期刊限定在《自然》《科学》《自然·化学》《自然评论化学》《自然评论材料》，并对研究内容是否属于AI驱动的材料化学研究进行人工判读。论文检索式见文后附录，截至2024年9月，检索到1991—2024年相关文章2338篇。
本文数据分析工具主要采用德温特数据分析软件(DDA)和通用科技文本可视化挖掘系统(ITGinsight)。
3 结果与分析
3.1 时间分布特征
本文依据年发文量分析该领域论文时间分布特征，以了解AI在材料化学领域应用发展的总体趋势。如
图1所示，AI驱动的材料化学研究最早的一篇文献始于1991年，早期的代表性研究包括将神经网络应用于聚合物材料设计
[14]和有机物吸附
[15]等。2006年前，该领域论文产出少。自2007年开始，AI驱动的材料化学研究的论文数量整体呈现稳中有升趋势。2016年至今，该领域文献呈现快速增长态势（
图1），这一转折点恰与“人工智能元年”相互吻合。
3.2 国别分布特征
本文进行国别发文量统计分析，以了解开展AI驱动的材料化学研究的主要国家。如
图2所示，中国在AI驱动的材料化学研究中发文量（863篇）排名第1位；美国发文量（584篇）排名第2位；印度发文量（164篇）排名第3位，
图2显示了AI驱动的材料化学研究领域论文数量排名前10位的国家以及具体发文数量。
3.3 研究机构分布特征
对研究机构发文量进行统计分析，以了解AI驱动的材料化学研究的关键研究机构。如
图3所示，在AI驱动的材料化学研究领域，论文数量排名前10名的机构包括中国科学院、橡树岭国家实验室、西安交通大学、哈尔滨工业大学、西北工业大学、清华大学、麻省理工学院、剑桥大学、佐治亚理工学院和北京科技大学。其中，中国科学院在该领域的发文量（108篇）排名第1位；橡树岭国家实验室发文量（37篇）排名第2位；西安交通大学发文量（36篇）排名第3位。
同时，本文使用DDA对发文数量排名Top10机构进行研究机构合作网络分析。如
表4所示，中国科学院与其他机构合作发文数量最多，合作机构包括美国橡树岭国家实验室、西安交通大学、哈尔滨工业大学、西北工业大学、清华大学、麻省理工学院、剑桥大学、佐治亚理工学院和北京科技大学。
对AI驱动的材料化学研究的高被引论文进行分析。美国发表高被引论文的机构包括美国国家标准与技术研究院
[16-17]、美国西北大学
[18-19]、杨百翰大学
[20]、哈佛大学
[21]、杜克大学
[22]、佐治亚理工学院
[22]、宾西法尼亚州立大学
[23]和美国哈弗福德学院
[24]。欧洲和英国机构包括德国波鸿鲁尔大学
[25]、德国哈勒-维腾贝格大学
[26]、德国马克斯·普朗克可持续材料研究所
[27]、俄罗斯俄罗斯斯科尔科沃科学技术研究院
[28]、莫斯科物理技术学院
[29]以及剑桥大学
[29]。日本主要机构包括日本东北大学
[29]和日本国立材料科学研究所（NIMS）
[30]。中国主要机构包括南开大学
[29-30]、上海大学
[31-32]、西北工业大学
[33]、天津大学
[34]、中国电子科技大学
[35]、浙江大学
[35]和郑州大学
[36]等。
在AI驱动的材料化学研究领域，关键研究机构发文量和高被引论文分析揭示了全球范围内重要论文产出机构，中国科学院和橡树岭国家实验室等机构发文量位居前列，同时，包括美国国家标准与技术研究院、美国西北大学、南开大学和上海大学等在内的多个国内外机构也在高被引论文发表方面表现较好。
3.4 AI驱动的材料化学研究重要进展
基于通用科技文本可视化挖掘系统ITGinsight对论文的研究主题进行分析，按照论文数量对主题词进行排序（
图4）。可以看出，机器学习、人工神经网络、材料性能、物理性质、随机森林和深度学习等主题词出现频率较高。
本部分基于ITGinsight以及人工判读，将主题词分为5个类别。
1）人工智能技术。记录数量较多的主题词包括：机器学习、人工神经网络、遗传算法、神经网络、随机森林、深度学习、支持向量机、卷积神经网络、回归模型等。
2）材料。记录数量较多的主题词包括：新材料、复合材料、二维材料、金属有机框架、高熵合金、功能材料、碳纳米管、纳米多孔材料、多孔材料、金属卤化物钙钛矿等，材料性能主要包括抗拉强度、抗压强度、电气性能、抗弯强度、弹性特性和拉伸性能等。
3）材料的结构化学。记录数量较多的主题词包括：晶体结构、分子结构、电子结构、材料结构、原子结构、结构特性、结构-性质关系、物理性质、力学性质、电子性质、光学性质、能带间隙等。
4）材料制备过程的热力学。主要研究气体和溶液的热力学、吉布斯自由能变化、相图和相变，记录数量较多的主题词包括：玻璃化转变温度、相位图、热导率、相变、热性能等。
5）材料制备过程的动力学。主要研究传质理论、化学反应速率和化学反应的控制步骤，记录数量较多的主题词包括：分子动力学、化学性质、化学成分、化学结构、材料成分、热稳定性、合金成分、多相催化、结构稳定性、电化学性质、工艺参数、增材制造等。
基于以上分类，本部分以主要项目承担机构和高水平论文发表机构为线索，并根据研究内容相关性进行扩展，得出AI技术、材料的结构化学、材料制备过程的热力学，以及材料制备过程的动力学4个方向重要研究进展，分析AI技术在哪些方面加速材料化学领域的研究进程以及该领域面临的挑战。
3.4.1 人工智能技术全面深入发展，与领域结合更紧密
AI技术取得显著进展，特别是在设计和优化数据库、开发高效材料预测工具包、构建机器学习模型、与领域知识融合，以及开发通用工具/方法等方面，例如，瑞士洛桑联邦理工学院基于机器学习设计并优化了包含20000个假设金属有机框架的数据库，改善数据库的多样性指标，评估了不同结构在碳捕获和储氢应用中的性能，证明了多种结构的性能优于基准材料
[37]；美国纽约州立大学布法罗分校开发了探索水热合成最有效析氢反应催化剂的机器学习工具包
[38]；哈尔滨工业大学结合合金的电子和结构特性构建准确有效的机器学习模型，并预测析氢反应高性能合金催化剂
[39]；橡树岭国家实验室开发了工作流程和测试平台评估图神经网络（GNN），针对材料化学应用提出将领域知识与GNN模型结合，以及通过迁移学习整合现有数据集知识等研发建议
[40]；美国西北大学提出通用机器学习方法预测无机材料性能，基于计算神经网络确定精确结构-性质关系，开发通用计算技术，阐明转变和弛豫温度，以及聚合物材料的各种其他物理和机械性能
[41]；应用物理与计算数学研究所与香港城市大学开发通用机器学习势，对材料性质进行原子建模
[42]；美国纽约州立大学布法罗分校提出机器学习模型部署、领域适用性和模型持久性的指导方针
[43]；日本京都大学评估比较4种类型回归预测合金熔化温度方法，找到单组分和二元组分固体最佳预测方法
[44]。
3.4.2 材料结构化学方向：AI技术解决数据异构以及数据量有限等挑战，桥接微观结构与性能
该方向重要进展主要包括：橡树岭国家实验室基于深度神经网络从原子分辨图像提取原子位置和缺陷类型等信息
[45]；佐治亚理工学院将原子和形态结构特征映射到性质上，训练机器学习模型快速预测新聚合物性质；麻省理工学院基于人工神经网络评估无机复合物自旋态分裂，使用遗传算法发现非常规自旋交叉复合物
[46]；剑桥大学基于机器学习模型推荐与已知热电材料具有不同性质的材料
[47]；中国科学院大学和中国科学院新疆理化技术研究所等机构结合机器学习方法，打通化学成分、晶体结构到合理合成的途径，预测3887种化学成分带隙、5种热力学稳定和50种亚稳态的新三元硒化物，合成的LiGaSe
2具有稳健的二次谐波生成响应和覆盖2个大气窗口的长波红外吸收性能
[48]；日本国立材料科学研究所使用经过训练的分子设计算法识别结构-性能定量关系，确定数千种潜在聚合物，合成的聚合物导热系数与非复合热塑性塑料中最先进的聚合物相当
[49]；西北工业大学基于人工神经网络对Ti-6Al-4V合金显微组织与性能相关性建模
[50]，通过集成学习预测高熵合金的可解释硬度
[51]，将机器学习与特征工程结合寻找大压电常数BaTiO
3基陶瓷
[52]。上述进展显示，AI加快了新材料研发的速度，展示了处理大量数据﹑预测材料性质，以及设计全新高性能材料的潜力。
3.4.3 材料制备过程的热力学研究方向：AI加深了对相变影响因素、相稳定性、热传递等的理解
该方向重要进展主要包括:约翰霍普金斯大学基于深度学习模型从材料X射线衍射测量结果中识别特定相
[53]；宾夕法尼亚州立大学帕克分校等机构利用监督机器学习，研究点缺陷扩展结构、动态演化及其在诱导单层MoS
2中半导体和金属相变中的作用
[54]；法国新能源和原子能委员会新能源技术创新实验室使用随机森林预测half-Heusler化合物的稳定性，基于机器学习模型得到481个稳定材料
[55]；德国马克斯普朗克钢铁研究所结合机器学习，快速﹑自动发现具有最佳热、磁和电性能的高熵合金
[56]；哈尔滨工业大学开发准确高效的机器学习势研究3种金属有机框架中的热传递
[57]；瑞士洛桑联邦理工学院基于集成机器学习模型，探索材料的静态和动态行为，实现了能量﹑极化和实验行为的准确预测
[58]。上述进展显示，AI具有从数据中识别材料特定相、研究材料相变、预测化合物稳定性，以及研究材料能量传递等方面的能力。
3.4.4 材料制备过程的动力学方向，AI技术助力描述﹑模拟和预测化学反应，以及优化化学反应过程
该方向重要进展主要包括:英国剑桥大学结合机器学习、密度泛函紧束缚和密度泛函理论模拟，模拟四面体无定形碳表面化学活性
[59]；IBM欧洲研究中心使用预训练语言模型BERT预测化学反应分类，分类精度最高可达98.2%，远高于传统方法（41％）
[60]；英国曼彻斯特大学通过训练深度神经网络模型自动阐明反应机理类别，无需任何额外用户输入，且精度高
[61]；美国内布拉斯加大学林肯分校将多任务学习、多输入和图形注意力网络结合，构建能够基于单体化学结构预测反应率的模型，可与宏观动力学模型结合设计新型共聚物
[62]；上海大学基于机器学习方法预测中间产物在钙钛矿氧化物表面的吸附自由能及其过电势，可用于描述表面化学反应，并加速筛选潜在钙钛矿催化剂
[63]；瑞士洛桑联邦理工学院基于机器学习和领域知识确定金属有机框架中金属阳离子的氧化态，该策略具有鲁棒性，可用于检测结构数据库中的错误标注
[64]；麻省理工学院结合密度泛函理论和精确神经网络势，研究水溶剂中电催化纳米合金的组成和活性
[65]；英国利物浦大学移动机器人使用贝叶斯搜索算法自动进行688次搜索光催化剂实验
[66]；英国格拉斯哥大学通用可编程化学合成机器“Chemputer”可使用1个平台架构执行17种不同反应
[61]。这些进展显示，AI具有描述﹑模拟和预测化学反应，以及优化实验过程等方面的能力。
3.4.5 该领域面临的若干挑战
通过概述本文检索到的综述文章中的观点，本部分列出AI驱动的材料化学研究的部分挑战与机遇，主要集中在AI与材料化学融合交叉的领域。
1）材料化学研究需要AI辅助预测多种材料性质，AI/机器学习依赖于数据库的质量，包括数据的规模、准确性和一致性等。然而，材料化学的实验物性数据的匮乏、不同测量的不一致性、DFT自身精度的局限性等，都限制了材料化学数据库的发展。目前多个材料数据库并存，且多以DFT计算值为主，亟待整合和扩充成一个全面的“材料大数据库”
[67]。
2）算法是AI和数据驱动的材料化学创新的核心，由于算法基于数学﹑以及材料科学问题通常有隐藏的物理规律等固有因素，一般算法仍然无法完全满足材料科学的需求。此外，在当前的化学和材料科学研究中，化学和材料科学领域的研究人员倾向于使用现有的算法和模型来解决问题，所产生的效果尚不具有颠覆性。合理设计和选择专门针对材料科学的算法可以帮助科学家更好地理解材料科学问题并节省计算资源
[59]。
3）描述符是数据驱动过程中人与机器之间传递信息的桥梁，存在数据库描述符不足﹑描述符不通用﹑实验描述符和模拟描述符不兼容，以及小样本数据集描述符不可访问等挑战。未来发展机会包括：使用主动学习、机器人辅助的高通量实验和AI方法开发新的组合描述符；开发可以从数据库中经济地获取或计算并精确呈现复杂性质的描述符，使得描述符与算法和数据库的发展保持同步；至关重要的是，开发方法和理论，推导得出表现优异的描述符，并整合多种数据形式
[59]。
4）虽然理论上可以预测许多低能的亚稳态晶体结构，但只有少数预测结构可能被实际合成，目前还没有明确的、可合成亚稳态结构的遴选规则。未来有望通过在某些条件下将亚稳态降低到热力学稳定性，或者从动力学的角度从稳定的构建块组装亚稳态相等方法判断亚稳态结构的可合成性
[68]。
5）目前的数学和数值模型在计算上昂贵，并且通常不能同时捕捉到二维材料生长过程中涉及的所有物理现象，限制了模型在二维材料生长主动控制中的广泛应用。此外，原位实验监测生长技术也无法支持对计算模型预测结果的验证。长期具有挑战性的研发目标是开发计算模型，以及研究其在二维材料设计和合成中的应用，包括但不限于：整合适用于不同尺度的方法，开展二维材料生长的高保真预测；使用二维材料结构和生长条件的实验和计算数据训练机器学习模型
[69]。
6）电池材料的电化学建模涉及固体扩散、电化学反应、电解质传输、电子传导、化学-力学耦合模型，以及必要时的相分离热力学模型。在锂嵌入材料的基础研究过程中，人们提出了各种多孔电极模型，通过理论分析完善了相分离材料和反应动力学模型，但尚未在这些模型中建立微观结构与宏观性质间的关联。未来，应结合理论、数据驱动方法和微观结构数据集共同推进电化学建模发展
[70]。
综上所述，AI在材料化学领域的应用面临着多重挑战，包括数据库质量提升﹑算法适用性增强﹑描述符优化﹑预测结果可用性﹑数学和数值模型改进，以及结合领域知识等。
4 结束语
本文调研了世界主要国家在人工智能驱动的材料化学研究领域部署的项目，检索并分析了该领域的论文，综合项目和论文数据，本文分析了该领域研究主题和重要研究进展，概述了该领域面临的挑战。研究表明，人工智能驱动的材料化学研究是近10年来快速发展的新兴领域。人工智能技术全面发展，并与材料化学融合，正在为材料化学研究发展带来前所未有的创新活力，加快推进该领域深入发展，有助于解决复杂问题，尤其是在加快先进材料的发现方面具有重要作用。未来，该领域的发展仍有赖于AI与材料化学的深度融合，有待建立高质量的数据库，开发专门针对材料科学问题的、能够揭示隐藏物理规律的先进和节能的算法，以及开发更精准的预测方法、更高效的计算模型。
附录
论文检索式
(TS=("artificial intelligence" OR "machine learning" OR "deep learning" OR "neural network" OR "reinforcement learning" OR "genetic algorithm" OR "support vector machine" OR "decision tree" OR "random forest" OR "unsupervised learning") and Ts=(("Structur* Chemistry" and Material*) or (((composit* or structur*) and propert*) and material*) or (Thermodynamic* and "material prepar*") or ((gas* or solution*) and (Thermodynamic* or "Gibbs free energy" or "phase diagram*" or "phase transition*")) or ((Kinetic* or Dynamic*) and "material prepar*") or "Mass transfer theory" or ("Chemical reaction" and material*) or ("chemical prepar*" and material*) or (("material* chemistry" or ((composit* or structure*) and propert*)) and (Test* or characteriz* ))) And so=((nature chemistry) or (nature materials) or (Nature Reviews Materials ) or (nature reviews chemistry) or (nature) or (science) or (Nature Computational Science) )) or ((wc=(COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE) or TS=("artificial intelligence" OR "machine learning" OR "deep learning" OR "neural network" OR "reinforcement learning" OR "genetic algorithm" OR "support vector machine" OR "decision tree" OR "random forest" OR "unsupervised learning") ) and Ts=(("Structur* Chemistry" and Material*) or (((composit* or structur*) and propert*) and material*) or (Thermodynamic* and "material prepar*") or ((gas* or solution*) and (Thermodynamic* or "Gibbs free energy" or "phase diagram*" or "phase transition*")) or ((Kinetic* or Dynamic*) and "material prepar*") or "Mass transfer theory" or ("Chemical reaction" and material*) or ("chemical prepar*" and material*) or (("material* chemistry"or ((composit* or structure*) and propert*)) and (Test* or characteriz* ))) and WC=((CELL & TISSUE ENGINEERING) OR (CONSTRUCTION & BUILDING TECHNOLOGY) OR (CRYSTALLOGRAPHY) OR (ENGINEERING, ELECTRICAL & ELECTRONIC) OR (ENGINEERING, MANUFACTURING) OR (MATERIALS SCIENCE, BIOMATERIALS) OR (MATERIALS SCIENCE, CERAMICS) OR (MATERIALS SCIENCE, CHARACTERIZATION & TESTING) OR (MATERIALS SCIENCE, COATINGS & FILMS) OR (MATERIALS SCIENCE, COMPOSITES) OR (MATERIALS SCIENCE, MULTIDISCIPLINARY) OR (MATERIALS SCIENCE, PAPER & WOOD) OR (MATERIALS SCIENCE, TEXTILES) OR (METALLURGY & METALLURGICAL ENGINEERING) OR (NANOSCIENCE & NANOTECHNOLOGY) OR (PHYSICS, CONDENSED MATTER) OR (POLYMER SCIENCE)) and WC=( (BIOCHEMICAL RESEARCH METHODS) OR (BIOCHEMISTRY & MOLECULAR BIOLOGY) or (CHEMISTRY, ANALYTICAL) or (CHEMISTRY, APPLIED) or (CHEMISTRY, INORGANIC & NUCLEAR) or (CHEMISTRY, MEDICINAL) or (CHEMISTRY, ORGANIC) or (CHEMISTRY, PHYSICAL) or (ELECTROCHEMISTRY) or (ENERGY & FUELS) or (ENGINEERING, CHEMICAL) or (ENGINEERING, PETROLEUM) or (FOOD SCIENCE & TECHNOLOGY) or (GEOCHEMISTRY & GEOPHYSICS) or (GEOLOGY) or (MINERALOGY) or (NANOSCIENCE & NANOTECHNOLOGY) or (OCEANOGRAPHY) or (PHARMACOLOGY & PHARMACY) or (POLYMER SCIENCE) or (SPECTROSCOPY)))。
PDF
(3154KB)
