近日，西安交大材料学院科研团队在《先进材料》（Advanced Materials）上以《材料信息学：从萌芽到人工智能时代的自主发现》（Materials Informatics: Emergence To Autonomous Discovery in the Age of AI）为题发表论文，全面回顾了材料信息学从概念萌芽到人工智能（AI）时代的演进历程，重点探讨了该领域如何从早期的辅助工具发展为驱动自主发现的核心引擎。研究深入分析了主动学习，如贝叶斯优化（BGO）与强化学习（RL）在材料设计中的应用与优劣，指出RL在高维空间探索中的独特优势；系统评估了基于Transformer的大语言模型（LLMs）在材料科学中的应用，通过对比特定领域模型（如SteelBERT）与通用语言模型（如DeepSeek、Gemini），揭示了LLMs在小样本学习与推理能力上的潜力。文章最终展望了“AI科学家与虚拟实验室”的未来，强调了主动学习、大语言模型预测结果的不确定性量化、检索增强生成（RAG）以及AI智能体（Agents）在构建完全自主的自动驾驶实验室（Self-Driving Labs）中的关键作用。

材料信息学研究生态系统的历史演进时间轴

从1944年Schrödinger提出的非周期性晶体概念和1948年Shannon的信息论为基础，经历了1970年代的二元晶体分类研究，到2011年美国材料基因组计划（MGI）的推动。随后，深度学习（如Transformer）和主动学习的引入加速了该领域的发展，直至2020年代自动驾驶实验室的兴起，预示着2025年后将迈向“虚拟科学家”和自主材料发现的新时代。

本研究总结了人工智能正在重塑材料科学的研究范式，从传统的试错法通过“材料基因组计划”过渡到数据驱动的科学，并正在迈向完全自主的发现阶段。文章指出，尽管贝叶斯优化在低维空间表现良好，但强化学习（RL）为解决高维材料设计难题提供了更具扩展性的方案。在生成式AI方面，Transformer和大语言模型（LLM）展现了惊人的潜力，研究表明，顶级的通用大语言模型（如DeepSeek、Gemini）在适当的提示工程（如Few-shot）下，其对材料属性的推理和预测能力已能媲美甚至超越针对特定材料训练的专用模型（如SteelBERT）。

展望未来，材料信息学（Materials Informatics）将不再局限于单一的属性预测工具，而是向“虚拟材料科学家”进化。这一愿景的实现依赖于以下关键发展：1）从“前向设计”转向“逆向设计”，利用AI智能体根据目标属性自主规划路线；2）增强可解释性，利用因果推理和物理信息神经网络（PINNs）打开深度学习的“黑箱”；3）构建多智能体协同系统，结合云端大语言模型的推理能力与本地小模型的隐私安全性；4）检索增强生成（RAG）与主动学习的融合，解决“小数据”与“大数据”共存的挑战，实现更高层次的战略决策与创新。

该论文作者单位为金属材料强度全国重点实验室、金属多孔材料全国重点实验室。该论文是在西安交通大学材料学院孙军院士和丁向东教授共同指导下完成，博士生刘宇杰参与，高志斌副教授为论文通讯作者。