获取海量材料数据免费查询服务！
研究背景
新材料是引领技术革命与应对全球挑战的关键引擎。然而，传统“试错”与“高通量计算”模式受限于研发周期长、探索盲目与成本高昂等问题。尽管生成式AI为材料设计注入了新动力，但其生成结果常面临稳定性不足、成功率偏低等挑战，在数据匮乏的高端功能材料领域尤显乏力。
近日，中国人民大学高泽峰、孙浩、卢仲毅团队在《npj Computational Materials》发表研究论文“myDesFlow-AL: active learning-based workflow for inverse design of functional materials”，提出了一种基于主动学习的逆向材料设计智能框架——InvDesFlow-AL。该框架通过持续迭代优化，将晶体结构预测误差降低至0.0423 Å，性能提升近33%，并挖掘出超过159万种热力学稳定的新材料。尤为瞩目的是，该研究预测出常压下临界温度达140 K的常规BCS超导体Li₂AuH₆，将材料逆向设计推向了新的高度。
本文亮点
一、目标聚焦：破解AI材料设计的三大困局
本研究瞄准生成式AI在材料设计中的核心难题：
稳定性与生成能力的失衡：多数AI生成结构难以通过第一性原理计算验证，存在“生成即失效”现象；
小数据场景下的建模瓶颈：如高温超导体等前沿体系，标注数据稀缺，传统模型难以实现高效逆向设计；
多目标协同调控不足：现有方法难以在维持结构稳定的同时，精准导向多元性能目标。
二、框架创新：融合扩散模型与主动学习的闭环系统
研究核心在于构建了一个融合扩散模型与主动学习策略的闭环迭代工作流，其创新体现在三重策略的协同：
1. 广度覆盖：多样性采样策略
基于60余万无机晶体数据预训练生成模型，奠定广阔化学空间探索基础。
2. 精准导向：期望模型改变策略
采用全参数微调方式，使模型生成空间向目标性能空间高效迁移。
3. 智能筛选：查询委员会策略
构建AI模型与第一性原理工具联动的“委员会”，实施多目标优化筛选。
其中，查询委员会机制通过定制化评分函数实现优选。以超导体设计为例，评分函数涵盖：
S = (高温超导潜力) × (结构弛豫收敛性) × (新颖性) × (可合成性)
确保筛选出兼具高性能、高稳定性和可行性的候选材料。
三、成果突破：从稳定材料创制到高温超导预测
1. 海量稳定新材料的发现
在低形成能材料设计中，经多轮迭代，平均形成能由-1.14 eV/atom降至-3.77 eV/atom。系统最终甄别出1,598,551种凸壳能量低于50 meV的热力学稳定材料，且全部达到DFT级弛豫精度。所生成材料涵盖大量四至七元高熵体系，显著拓展了已知化学空间。
2. 常压高温超导体预测取得里程碑进展
针对常压下高温超导材料探索，框架成功预测出Li₂AuH₆（Tc = 140 K），刷新常压常规BCS超导体转变温度纪录。同时发现K₂GaCuH₆、Na₂GaCuH₆（突破麦克米兰极限）及Na₂LiAgH₆（超越液氮温区）等一系列新材料。计算证实Li₂AuH₆具有动力学稳定性，其强电子-声子耦合常数λ达2.84。
3. 晶体结构预测精度逼近实验水准
在MP-20与MPTS-52测试集上，InvDesFlow-AL分别实现0.0423 Å与0.0725 Å的原子位置均方根误差，较现有最优生成模型性能提升32.96%，精度已接近X射线衍射实验的系统误差范围。
4. 小数据泛化：超高温陶瓷的高效设计
仅基于14种已知超高温陶瓷数据进行微调，模型不仅复现了全部训练集结构，更自主生成TaB₂、ZrC、HfN等已获实验验证的新型高性能陶瓷，展现出优秀的小样本泛化能力。
图文速览
图1 | 基于主动学习的材料逆向设计工作流。（a）基于主动学习的扩散模型用于设计功能材料。主动学习的核心在于为模型选择最有价值的数据以增强其性能，主要包括三种策略：多样性采样、期望模型改变和查询委员会。（b）InvDesFlow-AL的步骤包括以下四个阶段：首先，构建预训练的晶体生成模型；其次，在功能材料上对该模型进行微调；第三，使用微调后的生成器生成候选晶体结构；最后，应用基于QBCs的多目标函数选择信息量最大的数据，用于进一步微调生成模型。（c）InvDesFlow-AL的应用场景。
图2 | InvDesFlow-AL用于生成低形成能材料。（a）InvDesFlow-AL采用晶体生成模型生成新的晶体结构，然后使用FormEGNN预测形成能。经过五次迭代，观察到形成能逐渐降低。（b）InvDesFlow-AL生成的材料元素组成分布与Materials Project数据库中的材料有显著不同。（c）由InvDesFlow-AL生成的包含2、3……最多7种元素的多组分晶体结构。
图3 | InvDesFlow-AL用于发现新型高温超导材料。（a）先前报道的高温超导体与InvDesFlow-AL新发现材料的比较。这些新发现材料的超导转变温度范围很广，从麦克米兰极限到液氮温区。插图显示了Li₂AuH₆的晶体结构。（b）Li₂AuH₆的声子色散谱和声子态密度，表明其动力学稳定性。（c）Li₂AuH₆的电子能带结构和态密度。
图4 | InvDesFlow-AL用于生成超高温陶瓷。（a-c）微调数据集中已存在的合成UHTCs，证明了模型复制已知高性能陶瓷的能力。（d-f）训练数据中不存在的新型UHTCs，其优异性能已通过理论/实验研究得到验证。
总结展望
InvDesFlow-AL通过主动学习机制，实现了生成模型与第一性原理计算的深度耦合，构建出可自我迭代、自我优化的材料设计智能工作流。该框架不仅突破了数据稀缺条件下生成效果差与稳定性不足的双重瓶颈，更在实用层面产出包括140 K级超导体在内的大量高质量候选材料，展现了逆向设计攻克尖端材料难题的强大潜力。
该框架具备高度通用性，可扩展至储能材料、催化材料、仿生材料等重要领域，有望大幅加速未来功能材料的研发与应用进程。
在材料科学领域，开发出满足特定性能要求的新材料是一个高投入、高风险的过程。传统流程中，研究人员通常依赖经验和试错法，正向建模虽然可以预测材料性能，但并不能高效解决“性能目标已有要求，如何设计材料特征组合”的问题。
MatAi利用机器学习平台iDataInsight能够建立材料成分、工艺、组织、性能、服役行为之间的隐性构效关系，在未知空间预测具有优异性能的新材料，同时能够让研发人员可以根据设定的性能目标（如强度、导热系数、密度等）和给定的特征变量范围（如成分比例、处理方式等），自动给出优化特征组合方案，从而生成满足多重性能约束的新材料设计方案，大幅提高设计效率。
MatAi如何用AI逆向优化方案来设计材料
MatAi提供的，是一套“多目标性能优化系统”，本质上是一个材料设计的智能辅助平台，它不需要你从配方出发，而是从目标出发：
你告诉它你想要什么，它来帮你找出可能的材料组合。
案例：
一家做轨道交通与新能源汽车配件的金属企业，提出了一个研发任务：
“我们需要开发一种高强度、轻质、具备良好延展性的铝合金，用于新能源汽车底盘连接件。”
他们给出的材料性能指标如下：
系统如何实现设计这个性能指标的材料呢？
工程师只需设定如下信息：
系统使用的是多目标优化算法（如NSGA-II），可在不人为设定权重的情况下，同时优化多个目标，并探索大量方案。
支持黑盒模型
可处理非线性问题
能找到多种“不同权衡策略”的方案
设置寻优，不一会系统就能返回优化方案，并对其进行结果分析。这些配方和处理方式都能够满足性能要求，客户只需选一个最适合自己工艺或预算的就可以。
MatAi（材智科技）是专注于AI驱动研发的国家高新技术企业、“专精特新”企业。MatAi作为技术先锋深耕于AI与交叉学科领域，凭借卓越的AI能力和深厚的研发经验重塑传统研发范式，打造出具备前瞻性的数字化研发平台帮助客户加速研发进程，降低研发成本，使复杂的研发过程更加智能化和高效化。MatAi致力于为企业高技术用户提供个性化的AI+研发数字化解决方案，MatAi不只是技术的应用者，更是研发领域的创新驱动者，助力客户在原始创新和颠覆性技术上取得成功。
AI+研发数字化解决方案的领导者