材料科学 · AI 话题观测

§ 01综述

近期材料科学领域迎来多项 AI 驱动的突破，正从实验室加速走向工业化应用。核心趋势是 AI 模型在材料预测、合成与表征环节的深度渗透，其中几个关键进展值得关注。

Deep Principle 发布 MPA（Materials Pattern Assessment）模型，被视为材料科学领域的 AlphaFold，在 40 项工业任务上取得最优结果。该模型通过大规模预训练学习无机材料的结构-性质关系，显著提升了预测精度，有望加速新材料筛选。（Deep Principle 发布 MPA，材料科学领域的 AlphaFold，40 项工业任务达 SOTA）

我国团队研制出全球首套智能透射电镜系统“原眼一号”，能够自主识别并分析原子级结构，实现了 AI 对材料微观表征的实时干预，为缺陷检测和性质调控提供新工具。（我国研制全球首套智能透射电镜系统“原眼一号”，AI自主分析原子世界）

利用 AI 合成出厚度达 200 微米的单晶石墨，是此前世界纪录的 3 倍。该工作借助机器学习优化了生长工艺参数，突破了传统试错法的局限，展示了 AI 在复杂材料制备中的潜力。（我国团队用AI造出200微米单晶石墨，厚度达世界纪录3倍）

多模态与自动化框架兴起：例如基于双层材料的多模态性质预测（arXiv:2606.01012）、双智能体 LLM 框架生成物理约束本构模型（arXiv:2605.23754），以及自动设计材料描述符的 Autoresearch 框架 Automat（arXiv:2605.14671），都致力于提升模型的泛化能力与物理可解释性。MatterSim-MT 多任务模型进一步扩展了 AI 在热力学、电子结构等预测任务上的应用。（Autoresearch 框架 Automat 自动设计材料科学描述符，超越 Magpie 基线；MatterSim 扩展AI在材料科学的应用：多任务模型MatterSim-MT）

当前焦点在于如何将 AI 预测结果可靠地转化为实际合成方案，以及跨尺度（原子到宏观）性质的统一建模。未来观察点包括：MPA 等基础模型在工业界的落地效果，智能电镜系统能否成为标准配置，以及 AI 自主设计完整材料配方（从配方到工艺）的可行性。

§ 02相关报道07 条在档

§ 03邻近话题