目前，他已开始以未来PI身份筹备组建自己的实验室——原子智能实验室。实验室的定位也很直白：构建可靠的AI科学家，加速新材料研发——从原子模拟到实验验证。
邓博文的求学经历，大致勾勒出他从计算材料走向材料AI的路径。
在加州大学圣塔芭芭拉分校（UCSB）读本科时，他曾参与拓扑狄拉克半金属的第一性原理计算。2020年在微软亚洲研究院接触基于图神经网络的材料研究后，他逐渐将研究方向转向材料AI。2021年，邓博文进入加州大学伯克利分校材料科学与工程系攻读博士学位，期间获得美国材料研究学会（MRS）研究生银奖。
博士阶段，他开始重点研究如何利用机器学习模拟原子之间的相互作用。
在MatPES相关研究中，团队从约2.81亿个分子动力学快照中筛选出约40万条结构，用于构建材料数据集。
他还参与研究机器学习模型预测晶体稳定性的评估方法，并揭示通用材料模型可能存在的系统性偏差。相关工作指出，一些模型在预测材料性质时可能存在持续偏差。这意味着，模型即使给出了看似合理的答案，也需要经过严格验证，才能真正用于科学研究。
在方法研究之外，邓博文也将机器学习模型应用于具体材料问题，包括无序岩盐正极的电压滞后机制、卤化物固态电解质中的锂离子输运等，相关成果发表于JACS、Joule、ACS Energy Letters等期刊。
获得博士学位后，邓博文加入MIT Rafael Gómez-Bombarelli教授的团队做博士后，继续探索AI驱动的材料发现。研究也开始从单个模型延伸到更完整的科研流程。其中他参与的AtomisticSkills研究尝试为AI智能体配备材料模拟所需的专业工具，使其能够调用计算程序、串联不同研究步骤，并检查执行结果。
这意味着，AI在材料研究中的角色正从辅助预测，进一步走向参与计算与分析。当然，如何确保每一步操作准确、结果可复核，仍是这一方向需要解决的问题。
从CHGNet到AtomisticSkills，邓博文的研究逐渐从提升材料模拟能力，延伸到验证AI预测的可靠性，再到探索AI智能体如何参与科研流程。
这条“模拟能力—可靠性验证—智能体流程”的线索，也对应着原子智能实验室“构建可靠AI科学家”的目标。
END
关注+星标，获取AI前沿进展与开源一线动态