AI驱动物理发现和材料设计

从目标性质出发，探索材料的全空间逆向设计

材料的性质由元素类型（A）、化学配比（C）和结构构型（S）共同决定，三者的组合构成庞大的设计空间，给具有目标性质的新材料发现带来挑战。我们团队聚焦材料逆向设计，从目标性质出发寻找合适的化学组成与原子排列，不局限于已知化合物或预设结构原型。

我们发展了联合探索（A、C、S）全空间的逆向设计方法：利用全局优化算法引导目标性质导向的搜索，通过机器学习原子间势与性质预测模型快速评估候选材料，并通过主动学习协同推进材料探索与模型迭代优化。

相关方法已应用于晶体结构预测、新型超硬 B–C–N 化合物发现、全空间功能材料设计，以及通用机器学习势的数据采样与模型训练。通过结合先进的机器学习与优化算法，我们致力于寻找兼顾多性质要求的新材料，发展可靠、可迁移的逆向设计方法。

用剪切-成键描述符绘制负热膨胀材料的可解释图景

负热膨胀材料对于降低器件中的热应力非常重要，但这类材料长期缺少能够跨化学空间迁移的设计原则。研究将百余年的热膨胀数据与机器学习结合，找到由剪切模量和成键模量构成的可解释描述符。

这个描述符把正、负热膨胀材料放入同一张力学图景，并指导通用机器学习势驱动的高通量有限温度模拟。由此预测了 3,665 种具有宽工作温区的负热膨胀晶体，随后合成和表征了 11 种此前未报道的化合物，验证了框架的可迁移性。

用全局机器学习势和多目标优化，反向设计超硬 C–N 化合物

钻石的硬度为新型超硬材料设定了很高的参照，但传统晶体结构预测往往需要预先指定组成或结构。这里建立可变组成逆向设计流程，让机器学习势在搜索过程中持续更新，并同时处理离散的化学计量与连续的晶体结构。

经过多轮搜索，研究发现了 38 种此前不在主要材料数据库中的稳定 C–N 超硬材料，其中 C₃（P6₃22）预测硬度达到 97.4 GPa，超过文中采用的金刚石参照值。

Interpretable inorganic crystal synthesis planning with physics-informed retrieval

Thermodynamic stability alone does not establish whether a material can be synthesized or specify how to make it. PIRAG-LM treats synthesizability as a route-dependent assessment, evaluating candidate pathways through thermodynamic feasibility, kinetics, and accessibility.

A structured synthesis knowledge base covers 13,820 experimentally synthesized inorganic crystals and links each material to literature-derived routes, precursors, processing conditions, and evidence. Chemical, structural, and thermodynamic similarity retrieve relevant precedents; the language model uses these records to propose synthesis plans and explain their evidence and anticipated challenges.

In the manuscript's evaluation, synthesis-method prediction reaches 91.4% accuracy, compared with 72.1% for the language model alone. Experimental synthesis of five new compounds through solid-state and solution routes demonstrates how the framework can help translate crystal predictions into experimentally realized materials.