机器学习驱动的材料发现：解锁下一代功能材料综述
材料科学
2026-01-06 v3 人工智能
机器学习
摘要
机器学习和人工智能(AI)驱动技术的快速发展正在通过最小化人类干预和加速科学进展来彻底变革材料发现、属性预测和材料设计。本综述提供了关于智能、机器学习(ML)驱动方法的全面概述，强调其在预测材料属性、发现新型化合物和优化材料结构中的作用。本领域的关键方法包括深度学习、图神经网络、贝叶斯优化和自动生成模型(GANs, VAEs)。这些方法使能够自主设计具有定制功能的材料。通过利用 AutoML 框架(AutoGluon、TPOT 和 H2O.ai)，研究人员可以自动化模型选择、超参数调优和特征工程，显著提高材料信息学的效率。此外，AI 驱动的机器人实验室和高通量计算的集成已建立完整的自动化管道，用于快速合成和实验验证，大幅度减少了材料发现的时间和成本。本综述突出了自动化 ML 驱动方法在预测机械、热力学、电学和光学材料属性中的实际应用，展示了在超导体、催化剂、光伏器件和能源存储系统中的成功案例。我们还讨论了数据质量、可解释性以及将 AutoML 与量子计算集成等关键挑战，这些都是未来进步所必需的。最终，将 AI 与自动化实验和计算建模相结合正在改变材料的发现和优化方式。这种协同力为能源、电子和纳米技术的新创新铺平了道路。
引用
@article{arxiv.2503.18975,
title = {Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review},
author = {Dilshod Nematov and Mirabbos Hojamberdiev},
journal= {arXiv preprint arXiv:2503.18975},
year = {2026}
}