【编者按】
智驱新材料, 赋能能源未来
周伟家, 施思齐, 邹如强
【文章信息】
Weijia Zhou, Siqi Shi, Ruqiang Zou. Intelligence drives new materials, empowers the future of energy[J]. Chinese Science Bulletin, 2026, 71(23): 5462-5464. DOI: 10.1360/CSB-2026-1005.
周伟家, 施思齐, 邹如强. 智驱新材料, 赋能能源未来[J]. 科学通报, 2026, 71(23): 5462-5464. DOI: 10.1360/CSB-2026-1005.
【文章链接】https://www.sciengine.com/CSB/doi/10.1360/CSB-2026-0350
【文章内容】
人工智能正推动能源技术领域发生革命性发展. 依托海量数据分析、材料特性预测及复杂系统优化的核心技术优势, 人工智能可大幅提升研发效率、降低试错成本, 助力开发高效、安全、可规模化制备的能源材料. 从加速能源存储与转化技术突破, 到推动能源技术系统全面革新, 人工智能已超越传统辅助工具的定位, 成为重塑清洁能源发展路径、支撑全球可持续发展的核心驱动力.
能源技术的持续进步依赖于能源材料的性能升级与研发范式的创新. 近年来, 全球科技工作者与产业主体致力于人工智能赋能能源材料研发的相关探索, 在算法模型构建、材料定向开发与制造流程优化等方面取得了系列进展. 当前该领域研究整体呈现“数据—算法—实验”深度耦合的趋势, 但受限于材料多尺度作用机制复杂、跨模态高质量数据稀缺等挑战, 未来仍需突破生成式人工智能与量子计算融合的技术瓶颈, 强化数字孪生技术在材料全生命周期管理中的应用. 为集中展示人工智能赋能能源材料领域的前沿研究成果, 推动相关技术的进一步融合发展, 促进同行之间学术思想的碰撞, 《科学通报》围绕“人工智能赋能能源材料”核心主题组织出版“人工智能-能源材料交叉前沿专题”[1~14], 特邀领域内多位学者撰文, 涵盖了从算法设计、材料性能预测到研发范式革新的最新成果。
围绕材料研发全链条智能化转型, 陈亚楠团队[7]以“数据从哪里来”为核心问题, 系统综述了高通量计算、大语言模型文献挖掘与超快实验三种数据获取路径的演进与融合, 指出三者的深度融合正在催生以自主实验室为代表的闭环材料发现系统; 周天航/李玉强团队[8]提出“四维一体”的智能化SOTA研究范式, 以大语言模型为认知中枢, 整合知识引擎、分子推理、过程模拟与智能决策, 为化工研究从经验驱动向智能推理驱动的范式转型提供了系统的理论框架; 刘畅/刘洋/万佳雨团队[9]基于科研闭环完整性与人类介入程度, 将多智能体系统在能源材料中的应用划分为工具级、助手级与系统级三个层级, 系统梳理了其从“人机协作”向“系统共创”的演进路径; 曹达鹏团队[1]以“是否具备可解释的逻辑推理能力”为核心标准, 将AI划分为广义AI与狭义AI两大层次, 并提出了基于描述符的智能体及“智能体集合体+总控体”的通用人工智能架构设想. 上述工作从数据基础、认知架构、协作模式与演进路径四个维度, 共同为AI驱动的材料研发范式变革提供了系统的理论支撑与方法论指导.
面向光伏、储能器件智能化迭代, 从钙钛矿光伏、电解质到介电材料等多个关键能源体系, 展示了机器学习在器件性能优化与工艺调控中的强大能力. 李绿洲/丁建宁团队[2]系统综述了机器学习在钙钛矿太阳能电池材料预测、工艺优化与性能解析中的研究进展, 展望了其在叠层电池与封装工艺数字化中的应用前景; 晁栋梁团队[3]展示了AI技术在液态与固态电解质机理探索、材料设计与开发中的具体应用, 探讨了数据科学与材料化学交叉研究面临的挑战; 曹青/李桂香团队[4]围绕AI在钙钛矿太阳能电池稳定性优化中的应用, 系统梳理了其在组分筛选、界面工程与缺陷调控方面的典型路径与代表性成果; 孙志梅团队[10]系统阐述了机器学习在钙钛矿稳定性筛选、带隙预测、缺陷模拟及低维材料发现中的关键作用, 并探讨了其在量子点发光二极管器件性能预测中的创新应用; 王洪强团队[11]系统介绍了机器学习在固态电解质研究中的建模方式, 涵盖材料性质计算加速、结构与组分设计、配方与工艺优化及器件性能预测四个典型场景; 周伟家/王琳团队[13]针对钙钛矿本征击穿强度高质量标签数据匮乏的难题, 提出物理可信软标签驱动的预测建模框架, 通过跨体系软标签生成与可信度加权建模, 实现了击穿强度的高效预测与可解释建模, 并将重要特征对击穿强度的影响规律映射为可显式计算的数学关系式. 上述研究共同表明, 机器学习正在成为连接材料微观特征与器件宏观性能的核心桥梁.
聚焦原子-分子尺度催化精准创制的前沿研究方向, 从活性位点调控、配位环境设计到可合成性评估, 构建了从原子尺度精准设计到实验验证的完整闭环. 于小雯团队[5]从性能预测、高通量筛选与机制解析三个维度, 系统回顾了机器学习在合金、金属氧化物及单原子催化剂设计中的最新进展, 揭示了其在理论计算与实验验证之间构建高效协同桥梁的关键作用; 刘一蒲团队[6]围绕二维单原子催化剂, 从第一壳层配位工程、第二壳层配位工程及二维载体工程三个维度, 展示了数据驱动策略在指导高性能催化剂设计及揭示构效关系方面的独特优势; 余加源/胡日茗团队[14]结合密度泛函理论与机器学习, 系统探究了26种过渡金属单原子掺杂的铱基单原子合金催化剂的NORR催化机制, 通过XGBoost模型阐明氢化物形成焓、Bader电荷及电子亲和能是关键描述符, 并利用SISSO方法构建了精准预测催化剂性能的函数描述符; 陈为彬/邹如强团队[12]系统综述了从传统机器学习、图神经网络到大语言模型在原子级催化剂设计中的应用, 并探讨了自动化合成与自驱动实验平台如何将算法设计高效转化为可重复的实验数据, 展望了贯通预测-评估-合成-表征的一体化AI基础平台. 上述工作共同推动电催化剂研究从“经验试错”向“理性设计”的范式转变.
综上, 人工智能与能源材料的深度交叉, 正从算法创新、数据驱动与实验闭环三个层面, 重塑材料研发逻辑、加速关键技术突破、支撑能源产业高质量转型. 本专题汇集的系列成果, 既展现了我国在该交叉领域的前沿探索与创新实力, 也为未来智能材料设计、清洁能源器件开发与可持续能源系统构建提供了重要思路与方法支撑. 期待以本期专题为纽带, 进一步凝聚学界与产业界力量, 持续深化跨学科协同创新, 攻克关键科学与技术难题, 以智驱新材料、赋能能源未来, 为实现“双碳”目标与全球可持续发展贡献不竭动力。
【作者信息】
周伟家
济南大学前沿交叉科学研究院院长, 二级教授, 博士生导师, 国家优秀青年科学基金获得者、山东省泰山特聘专家. 主要从事激光微区合成与催化位点调控研究, 在催化和电池等材料合成与系统构建方面取得一系列研究成果. 获山东省青年科技奖(2022年)、山东省自然科学奖二等奖(1/6, 2024年).
施思齐
上海大学核电关键材料全国重点实验室副主任, 教育部长江学者特聘教授. 担任中国硅酸盐学会理事会理事. 致力于建立算法-数据-知识互利共生且与实验融合的储能材料设计新范式, 推动人工智能赋能材料研发. 出版《电化学储能中的计算、建模与仿真》专著; 提出领域知识指导的分而治之机器学习建模和材料数据质量治理框架, 在企业实现转化应用. 获2024年度中国材料研究学会科学技术奖一等奖.
邹如强
北京大学博雅特聘教授, 博士生导师, 材料科学与工程学院院长, 先进防水材料全国重点实验室主任, 国家杰出青年科学基金获得者. 长期聚焦纳米多孔结构能源材料研究, 在人工智能催化等方向取得系列进展. 入选科睿唯安“全球高被引科学家”、中国发明协会会士. 获中国发明协会发明创业奖一等奖、青山科技奖等荣誉奖项.
