本页目录
前沿 III · 计算材料学与 AI
⚠️ 保质期声明：核对于 2026-07，本页是全站更新最快的一页（AI 方向以季度计）。判断框架长期有效。
材料研发的传统节奏是"试错 + 经验 + 运气"，一代材料从发现到应用十到二十年。计算与 AI 正在改写这个节奏——但改写到什么程度，是当前学界与产业界最值得较真的问题。本页给方法谱系、真实进展、以及一次值得记住的教训。
1. 多尺度计算谱系（选工具的地图）
| 尺度 | 方法 | 能算什么 | 代价/局限 |
|---|---|---|---|
| 电子（Å, fs） | DFT 第一性原理 | 能带、形成能、弹性常数、缺陷能、反应路径 | 数百原子上限；带隙系统性低估；泛函依赖 |
| 原子（nm, ns） | 分子动力学 MD | 扩散、界面、力学变形、非晶结构 | 依赖势函数（机器学习势正在改变这一点） |
| 介观（μm, s） | 相场、动力学蒙特卡洛、位错动力学 | 组织演化、枝晶、相变、位错集体行为 | 参数需上层输入 |
| 宏观 | CALPHAD、有限元、ICME | 相图外推、工艺-组织-性能贯通 | 依赖数据库质量 |
ICME（集成计算材料工程）：把各尺度串成"成分-工艺-组织-性能-服役"的链条——这是计算材料学的工业形态，也是航空与汽车企业真正落地的部分（合金设计、工艺窗口、寿命预测）。
机器学习势（MLIP）：用 DFT 数据训练势函数，做到"DFT 的精度、MD 的速度"——这是近年最扎实的进展之一，把可模拟的时空尺度提升数个数量级；通用原子间势（如 M3GNet/MACE/GNoME 衍生模型一类）已能覆盖大部分元素组合，成为高通量筛选与 MD 的新基础设施。
2. AI 的三种用法（按成熟度排序）
- 代理模型/性能预测（最成熟）：用已有数据训练"成分工艺 → 性能"的回归器，替代昂贵计算或实验；关键不在模型复杂度而在数据质量与外推边界（🔗 数学站统计 V 的"外推危险"、SLT 线的泛化理论——材料数据集小、偏、缺负样本，这是本领域 ML 的根本约束）；
- 高通量筛选：DFT + ML 在百万级候选中筛出稳定相——DeepMind 的 GNoME 预测了约 220 万个晶体、其中约 38 万被判定为潜在稳定，是这条路线迄今规模最大的一次演示；
- 生成式/逆向设计（最新）：给定目标性能直接生成候选结构——微软 MatterGen 用扩散模型做晶体结构生成（🔗 你的 comfy 站第 02 讲的扩散数学，在材料空间的同构应用：从噪声去噪出一个晶体，而不是一张图）。
自主实验室（self-driving lab）：把"生成假设 → 合成 → 表征 → 更新模型"闭环自动化（伯克利、NC State、MIT 及多家中国机构均在运行），产出速率从"每年几个"提到"每周几十个候选"。
3. 一次值得记住的教训（本页最重要的一段）
2023 年伯克利 A-Lab 宣称 17 天自主合成 41 种新无机化合物，是"AI + 自动化改变材料发现"最广为引用的证据之一。随后有同行批评指出其中多数产物实为已知化合物或表征归属存在问题；2026 年 1 月，《自然》对该论文发布了更正。
这件事的三条启示（不是要否定方向，而是校准判断）：
- "新材料"的判定标准很硬：结构解析、相纯度、可重复合成——自动化容易放大表征环节的薄弱；
- 合成鸿沟（synthesis gap）是当前真正的瓶颈：计算能给"热力学上可能稳定"，但能不能做出来、以什么路径做出来、做出来是否具备预测性能是另一个量级的问题——截至 2026 年初，尚无一种由 AI 首次发现的材料进入商业化生产；
- 学科的自我纠错机制（复现、批评、更正）照常运转——这本身是好消息，也是读任何 AI-for-Science 报道时该有的默认姿态（🔗 与你 AI 站第 14 讲的 verify 文化、数学站统计 IV 的多重检验/可复现性危机是同一堂课）。
4. 数据基础设施（低调但决定上限）
Materials Project、AFLOW、OQMD、NOMAD 等开放数据库是这一切的地基；FAIR 数据原则与统一的元数据标准正在成为共识。真正的稀缺资源不是算力也不是模型，而是：高质量的实验数据（尤其是失败与负结果）、标准化的工艺记录、以及表征原始数据的可获取性。谁把这三样做扎实，谁的 AI 才有真东西可学——这是给任何想入行者的最实用建议。
5. 判断框架（读 AI-for-materials 新闻的五问）
① 是预测还是合成验证？（差一个数量级的可信度）② 数据从哪来、覆盖什么成分空间、外推还是内插？③ 有无独立复现？④ 性能是计算值还是实测值、测的是什么尺寸的样品？⑤ 距离可制造有多远（克级？公斤级？工艺窗口有多宽）？
总纲：AI 正在把材料科学的筛选环节加速一个数量级，但合成、表征、放大、认证这四关仍是人类与设备的战场——加速的是漏斗的上半段，不是全程。这是 2026 年这个时点上最诚实的表述。
前沿了望结束。最后一页收官：把全站的知识收成一件可用的工具——材料选择的方法论。
Sources：DeepMind GNoME · AI materials discovery 2026 综述 · AI-accelerated discovery 现状