机器学习赋能新材料设计：从经验试错到数据驱动的范式变革

来源：计算物理杂志2026年第1期北京时间：

作者：令狐佳珺, 雷昇, 刘鸿, 张永, 韩楠楠, 李致朋

摘要：传统材料研发依赖经验试错，周期长、成本高。本文综述了机器学习（ML）推动材料研究从经验驱动向数据驱动的范式变革。首先概述了机器学习三大类算法的原理和用途；再以三维晶体尤其是固体氧化物燃料电池材料为主要案例，阐述ML在5大场景的应用：1）数据发现——ML加速甚至替代传统理论计算和模拟，再结合大语言模型的文本挖掘，获取海量材料数据和知识；2）性能预测——通过特征工程与ML模型建立成分-结构-性能的映射；3）合成指导——结合贝叶斯优化与自主实验室实现闭环工艺优化；4）表征解析——材料微结构的图像识别与重建；5）逆向设计——按性能需求生成相应的材料。最后，探讨当前挑战并展望智能驱动研发范式的发展。

关键词：机器学习, 材料研发, 数据驱动, 固体氧化物燃料电池材料