AI+材料科学:大模型在新材料领域的研究进展与展望OA

随着数据驱动科学研究第四范式的深入发展,以大模型为代表的人工智能技术正深度重构材料研发模式。本文系统综述了材料大模型在晶体结构设计与发现、性能预测与基础知识挖掘、具体材料垂类大模型、冶金工艺优化及多智能体协同框架的应用场景。在晶体结构设计与发现方面,GNoME、CrystaLLM分别通过主动学习与自回归建模,显著提升了稳定新材料的发现速率;在性能预测与基础知识挖掘领域,MatChat与Galactica等利用检索增强生成与大规模科学语料预训练,实现了从海量非结构化文献中精准提取规律并预测材料属性;针对具体材料垂类大模型,PolyLLMem、MatMind及ChipNeMo等通过整合高分子、无机非金属及半导体设计的专业先验知识,有效弥合了通用大模型在特定学科中的知识断层;在冶金工艺优化层面,SteelBERT及PDGPT等通过关联工艺参数与显微组织,为工业级黑盒问题的协同优化提供了高保真度决策支持;在多智能体协同框架维度,AtomAgents和AgentMat等系统通过层次化架构调度多种专业工具,驱动了全流程闭环的智能化演进。最后,针对当前材料大模型面临的数据稀缺性、物理一致性约束及黑盒可解释性等核心挑战,提出了未来在多模态融合、物理信息引导以及自主实验室方向的发展展望,旨在为材料基因工程与智能化研发提供理论参考与技术指南。