目录引言第 1 章 AI 逆向设计工具链现状生成模型、高通量模拟与自驱动实验室2025–20261.1 论点工具链三层齐备但能生成不等于能落地1.2 论据一生成模型——从大规模发现走向按需构筑1.3 论据二高通量模拟——材料数据基础设施与通用原子间势1.4 论据三自驱动实验室——闭环合成的自动化与智能化1.5 论据四开源生态与基准评估——可复现性的基础与短板探测器1.6 分析工具链成熟度——“模拟成熟、生成半成熟、合成闭环刚起步”1.7 小结第 2 章 实验合成验证与产业化案例TaP 热导体、A-Lab 自主合成、催化剂与电池材料的落地进展2.1 实验合成验证TaP 热导体与 MatterGen 概念验证2.2 A-Lab 自主合成41/58 与 36/57 两种口径的交叉验证2.3 催化剂闭环DigCat、CRESt 与高熵 Ru 氧化物2.4 电池、半导体、聚合物与相变存储2.5 产业与市场口径差异必须交叉验证后引用第 3 章 规模化落地瓶颈与前景预测-合成鸿沟、生成结构稳定性基准与政策市场展望3.1 预测—合成鸿沟GNoME 的 220 万预测与 736 个实验吻合3.2 数据稀缺与闭环策略主动学习与强化学习3.3 落地周期之辩与政策资本乐观叙事 vs 审慎现实3.4 趋势展望多目标模型与 LLM 智能体进实验室结论参考文献引言2023 年 Google DeepMind 的 GNoME 以深度学习预测出约 220 万个新晶体结构但发表时仅 736 个获得独立实验验证同年微软 MatterGen 以目标性能→结构的按需生成范式登上《自然》宣告生成式材料设计进入新阶段MatterGen,Nature2025。两个标志性事件共同指向本报告的核心问题当 AI 从预测材料转向制造材料逆向设计究竟已走过从计算到实物的哪一段路截至 2026 年该领域已由生成结构迈入实验合成与闭环验证的落地期但能生成与能落地之间仍横亘着系统性鸿沟——PhononBench 对六大生成模型 10.8 万结构的评估显示平均动力学稳定率仅 25.83%PhononBench, arXiv 2025。本报告聚焦 2025–2026 年落地现状围绕三条主线展开其一生成模型—高通量模拟—自驱动实验室三层工具链的成熟度其二TaP 热导体、A-Lab 自主合成、催化剂与电池材料的实验验证及产业化案例其三预测—合成鸿沟、生成结构稳定性基准与政策市场前景。研究预告三项最重要的发现第一工具链三层齐备但成熟度不均“能稳定产出候选、尚不能稳定产出可合成物”第二预测→合成→实测的完整闭环已在热导体、催化剂、电池等多体系出现但均为实验室尺度、点状突破OAE,Chem. Synth.2026第三规模化瓶颈已从算力与数据转移到合成验证与稳定性基准政策与资本给出确定性信号而14 年落地周期能否缩短仍是待实证检验的命题。第 1 章 AI 逆向设计工具链现状生成模型、高通量模拟与自驱动实验室2025–20261.1 论点工具链三层齐备但能生成不等于能落地截至 2025–2026 年AI 逆向设计材料发现已形成生成模型—高通量模拟—自驱动实验室三层工具链架构生成模型按目标性能采样候选高通量模拟负责批量验证自驱动实验室SDL把计算候选闭环为真实合成产物Microsoft Research 博客、美国国家工程院 Fall Bridge。然而生成端热力学稳定的乐观与动力学稳定的系统性短板并存是评估工具链成熟度的核心锚点。1.2 论据一生成模型——从大规模发现走向按需构筑生成式方法已形成三类技术路线。其一为大规模正向发现Google DeepMind 的 GNoME2023预测约 220 万个新结构其中约 38 万并入 Materials Project使已知稳定材料扩大约 10 倍但发表时仅 736 个结构与独立实验吻合Chemistry World、OAE 评论。其二为目标导向的按需生成微软 MatterGen2025《自然》直接以目标性能成分、力学、电子、磁性等组合约束为条件生成结构生成新且稳定结构的概率较此前模型提升 2 倍以上并概念验证合成 1 种材料、实测性能与目标偏差小于 20%MatterGen 论文。其三为结构先验与可解释路线作为扩散模型奠基工作的 CDVAE2022以分数匹配与等变网络生成保持晶体对称性的结构CDVAE 原文北大深研院潘锋团队提出拓扑 VAE 框架 PGH-VAEs用于高熵合金催化位点可解释逆向设计OH 吸附描述符相关性系数 0.96npj Comput. Mater., 2025、北大新闻网。就能力边界而言多项研究表明生成模型在热力学稳定、新颖性、唯一性S.U.N.上已相当出色但性质定向生成会显著损害结构可靠性PhononBench有学者认为观点生成模型仍缺乏物理约束与对实验数据的适应性需以强化学习、主动学习闭环弥补王金兰组综述物理学报, 2025、EPFL MatInvent。1.3 论据二高通量模拟——材料数据基础设施与通用原子间势计算侧已具备大规模开放基础设施。Materials Project自 2011 年启动以来已服务超过 60 万研究者成为数据驱动材料科学的核心基础设施Horton 等, Nature Materials 2025其 2025 年数据库版本新增约 3 万个以 r2SCAN 计算的 GNoME 来源结构Materials Project 版本记录。通用机器学习原子间势uMLIP方面微软MatterSim覆盖 89 元素、0–5000 K、0–1000 GPa多任务版本 MatterSim-MT 预训练于 3500 万个第一性原理标注结构可同时预测结构、动力学与热力学性质MatterSim-MT 论文arXiv, 2026落地案例MatterSim 对 24 万余候选做热导高通量筛选识别出四方相 TaP 并已实验合成、实测热导率 152 W/m/K、接近硅Microsoft Research 博客。其声子预测精度达 DFT 级故成为 PhononBench 稳定性评估的底层引擎——模拟平台由此兼任生成模型的质检器PhononBench。1.4 论据三自驱动实验室——闭环合成的自动化与智能化自驱动实验室是工具链的落地出口。伯克利A-Lab2023在 17 天连续运行中从 58 个计算候选目标中自主合成 41 个化合物成功率约 71%Szymanski 等, Nature 2023、Chemistry World2026 年新进展 A-Lab GPSS 进一步覆盖空气敏感体系以 LLM 智能体溯因归纳在 53 天内完成 352 个锂卤尖晶石固态离子导体样本合成成功样本比例由前 75 个的 1.33% 提升至后 75 个的 5.33%A-Lab GPSSarXiv, 2026。此外Argonne 的Polybot已产出高电导、低缺陷的导电聚合物薄膜ANL 报道NanoChef在约 100 次实验内收敛银纳米颗粒合成配方、粒径分布FWHM收窄 32%Cypris AI 综述、NanoChef 论文ACS Nano, 2025DigCat平台发现双功能析氧催化剂 RbSbWO6 并经实验验证OAE 评论。1.5 论据四开源生态与基准评估——可复现性的基础与短板探测器开源与标准化是工具链成熟的标志MatterGen 的官方实现已在 GitHub 以MIT 许可开源microsoft/mattergen、Microsoft ResearchPhononBench 的 10 万 结构、声子计算与工作流亦全部开放PhononBench GitHub。基准评估则暴露系统性短板PhononBench作为首个大规模动力学稳定性基准对 6 大主流生成模型的 10.8 万个结构做声子计算数据显示平均动力学稳定率仅为 25.83%最优的 MatterGen 也仅 41.0%且在带隙定向生成场景下即使取最优带隙条件0.5 eV动力学稳定率仍低至 23.5%PhononBench 论文arXiv, 2025。2026 年 6 月更新至 v37 模型、13.38 万结构平均稳定率升至 32.15%、MatterGen 达 45.05%方向不变PhononBench v3。1.6 分析工具链成熟度——“模拟成熟、生成半成熟、合成端到端刚起步”综合以上证据工具链成熟度可分三层评估①模拟层最成熟——Materials Project、MatterSim 已构成可规模化、部分经实验验证的计算基础设施②生成层半成熟——热力学稳定的生成已规模化但动力学稳定率不足五成说明纸面稳定与可存在、可合成之间仍有鸿沟③合成闭环层刚起步——A-Lab、Polybot、NanoChef 等已证明闭环可行但成功样本仍以数百计、表征手段有限业内对其实际合成物与能否缩短 10–14 年落地周期仍存质疑Autonomous Pipeline 评论。观点S.U.N. 等热力学指标或高估生成模型的实用价值声子级动力学稳定性应成为下一代基准的标配判据。1.7 小结2025–2026 年AI 逆向设计工具链已在生成、模拟、自驱动实验三个层面齐备并出现 TaP、A-Lab 41 种化合物、MatterGen 概念合成等端到端验证。但 PhononBench 揭示的平均动力学稳定率 25.83%、最优 41.0%“是评估工具链成熟度的核心锚点它表明当前工具链能稳定产出候选、尚不能稳定产出可合成物。下一阶段竞争将从生成更多结构转向把动力学稳定性与可合成性写进生成目标”为后续章节实验验证与规模化前景奠定判据。第 2 章 实验合成验证与产业化案例TaP 热导体、A-Lab 自主合成、催化剂与电池材料的落地进展论点截至 2026 年AI 逆向设计已跨越纯计算预测阶段出现首批预测→合成→实测完整闭环的实验验证以及企业端合成工具的规模化商业应用。但落地呈点状突破、整体未成型特征成功案例集中于无机粉末与电催化剂器件级、量产级验证仍稀缺市场规模统计口径彼此相差近一个数量级。本章逐例核查证据强度与数据口径区分实验室合成成功这一事实与产业化落地这一观点。论据2.1 实验合成验证TaP 热导体与 MatterGen 概念验证微软 MatterSim 在数十万级晶体中做热导率高通量筛选识别出四方相磷化钽TaP为潜在高性能热导体该材料随后在德克萨斯大学达拉斯分校UT Dallas被实验合成并在伊利诺伊大学厄巴纳-香槟分校UIUC实测热导率达152 W/m/K接近硅——将此前未被考虑的热导体候选直接送到实验室Microsoft ResearchAdvancing AI for materials with MatterSim。同一团队的另一生成模型 MatterGen 作为概念验证将 1 个生成结构实际合成并实测性能距目标偏差 20%NatureA generative model for inorganic materials design。两例均为单一候选、实验室尺度、粉末形态——证明可造出来尚不足以证明可量产后者为观点。2.2 A-Lab 自主合成41/58 与 36/57 两种口径的交叉验证伯克利 A-Lab 是AI 预测机器人合成闭环的标杆但成功率存在两种公开口径必须并列引用。Nature 正式发表版17 天连续运行、353 次实验成功合成36/57 种目标无机化合物成功率 63%并注明另有 4 项 AI 原判成功但因 XRD 复核存疑而仅计 40/57NatureAn autonomous laboratory for the accelerated synthesis of novel materials。预印本版以及 PubMed 收录摘要、Chemistry World 报道记为41/5871%LBNL 预印本 PDFChemistry World 报道。差异源于正式版对衍射数据人工复核、剔除了 4 项证据不足的成功。2026 年 OAE 评论即采用36/57口径OAEFrom prediction to realizationChem. Synth. 2026。两种口径均出自同一课题组论文的不同版本事实63%–71% 已远超传统纸面稳定结构的实验命中率但该成绩基于精心挑选的空气稳定粉末目标不能外推至任意体系观点。2.3 催化剂闭环DigCat、CRESt 与高熵 Ru 氧化物DigCat/RbSbWO6闭环框架首次识别双功能电催化剂 RbSbWO6并经实验验证其酸性水裂解性能PubMedClosed-loop framework for discovering stable and low-cost bifunctional metal oxide catalysts东北大学 WPI-AIMR 新闻稿2025-05。CRESt 八元素催化剂MIT 团队的多模态贝叶斯优化机器人平台3 个月内探索 900 余种化学组成、3500 余次电化学测试在八元空间Pd–Pt–Cu–Au–Ir–Ce–Nb–Cr筛出成本归一性能提升 9.3 倍的甲酸氧化催化剂NatureA multimodal robotic platform for multi-element electrocatalyst discovery。(RuNiFeMoCr)₃O₄ 高熵氧化物以 LLM 文献挖掘自动化高通量合成构建 60 元候选库筛选出的该组分在PEM 电解槽 1 A/cm² 下稳定运行超过 150 小时质量活性为商业 RuO₂ 的 96 倍Science AdvancesAccelerated discovery of highly stable ruthenium-based high-entropy oxides for acidic oxygen evolution。口径提示部分二手综述将上述成分写作(RuNiFeMoCr)O₃₋δ但原文Science Advances明确为(RuNiFeMoCr)₃O₄本章以原始论文为准。2.4 电池、半导体、聚合物与相变存储富锂层状正极以图像为中心的生成式逆向设计框架将锂/锰富集正极前驱体的微观形貌作为可控设计变量实现目标微观结构→合成条件反推Materials HorizonsGenerative inverse design for microstructure control in precursors for Li- and Mn-rich layered-oxide cathodes。二维半导体 SIGD厦门大学等提出的对称性界面引导扩散架构面向二维材料逆向设计IOP MLSTSIGD2025。导电聚合物薄膜阿贡国家实验室 Polybot 自驱动实验室产出高电导、低缺陷导电聚合物薄膜ANLSelf-driving lab transforms materials discovery。相变存储美国材料基因组计划MGI自主实验方向包含相变存储新体系 Ge4Sb6Te7 纳米复合物自主表征使实验次数降低约 6 倍NAE Fall Bridge2025。2.5 产业与市场口径差异必须交叉验证后引用AI 材料发现市场规模数字各家相差近一个数量级只能以区间引用。2025 年基线TBRC/ResearchAndMarkets 为 7.4 亿美元The Business Research Company 报告Market.us 按 2024 年约 5.4 亿美元计Market.us 报告InsightAce 报 16.8 亿美元InsightAce 报告Dataintelo 报 38 亿美元Dataintelo 报告——即0.5–3.8 十亿美元。远期预测TBRC 预测 2030 年 27.7 亿美元CAGR 30%Dataintelo 预测 2034 年 196 亿美元即2030–2035 年约 2.7–19.6 十亿美元。同一市场数值口径差异源自统计边界软件/硬件/服务、AI 材料发现 vs 计算化学、时间基准不同故本报告不采信单一机构数字。企业端代表案例智化科技 ChemAIRS 称其单步反应可行性预测准确率达 96%、前三条推荐路线含可行路线概率 90%ChemiSCALAI 材料逆向设计技术进展与合成落地实践——此为企业自述该公司官方资料另载其每年经 ChemAIRS 设计 30 万条以上合成路线、服务 100 余家药企/CRO并在内部案例中前 3 条路线与资深化学家决策一致的占比为 80%16 个项目中Chemical.AI 官方 FAQ。分析事实层TaP、MatterGen 单点合成、A-Lab 63%–71% 成功率、三类催化剂闭环、以及富锂正极/2D 半导体/导电聚合物/相变存储等多元体系共同构成AI 逆向设计可产出真实材料的首批实证2025–2026 年确实出现了从生成结构到实验合成的范式转折信号。口径层① A-Lab 成功率必须标注版本正式版 36/57 与预印本 41/58 并存② 高熵催化剂成分应以原始论文 (RuNiFeMoCr)₃O₄ 为准③ 市场规模跨机构差近一个数量级只能给区间④ ChemAIRS 96% 为供应商自报缺独立第三方基准需谨慎引用。观点层本章作者的判断实验室合成成功 ≠ 产业化落地。现有案例多为单点概念验证如 150 小时 PEM 运行仅是稳定性起点商用电解槽寿命以万小时计尚无证据表明 AI 已实质缩短任一材料的全流程产业化周期。小结2026 年 AI 逆向设计的合成落地处于早期但真实阶段预测→合成→实测闭环已在热导体、催化剂、电池材料等多体系被实验复现企业工具ChemAIRS 等进入商业运营但证据质量不均、市场规模口径混乱、器件/量产级验证缺位。第3章将定量讨论预测—合成鸿沟、动力学稳定性偏低与数据/算力瓶颈。第 3 章 规模化落地瓶颈与前景预测-合成鸿沟、生成结构稳定性基准与政策市场展望3.1 预测—合成鸿沟GNoME 的 220 万预测与 736 个实验吻合论点AI 逆向设计在计算端已能海量产出候选但实验端的合成验证仍呈数量级落差——这是当前规模化落地最核心的瓶颈。论据根据 Google DeepMind 官方发布Millions of new materials discovered with deep learningGNoME 共预测约 220 万种新晶体结构其中约 38 万种被判定为最稳定候选并并入 Materials Project截至发表时外部团队仅独立合成了其中 736 种。其同行评审论文进一步披露这 736 个匹配结构中仅 184 个属于项目启动后的新发现Scaling deep learning for materials discovery,Nature。即预测出 220 万 → 稳定候选 38 万 → 实验验证 736逐级收缩纸面稳定与可合成之间隔着动力学、前驱体可得性与工艺可行性等多道关卡。分析这一鸿沟在生成式样本中同样可被独立挑战。微软 MatterGen 是极少数生成—合成闭环案例其与中科院深圳先进院合作以 200 GPa 为目标体模量生成候选并实际合成了 TaCr₂O₆实测体模量约 169 GPa、距目标约 15%Microsoft Foundry Labs——这正面回应了 Phase 1 遗留的实测性能距目标 20%具体体系追查材料体系为 TaCr₂O₆。但需注意柏林洪堡大学 Juelsholt 的晶学分析ChemRxiv 预印本后发表于Materials Horizons提出观点该无序相 Ta₁/₃Cr₂/₃O₂ 与 1972 年已报道的 Ta₁/₂Cr₁/₂O₂ 为同一物相且已存在于 MatterGen 训练集ICSD 9516新化合物说法存疑ChemRxiv。该争议说明即便完成合成闭环生成结构的新颖性界定与无序相建模仍是薄弱环节。3.2 数据稀缺与闭环策略主动学习与强化学习论点除合成鸿沟外生成模型对高质量标注数据的依赖是第二个规模瓶颈学界正以主动学习与强化学习重构数据—模型闭环。论据EPFL 团队提出 MatInvent以强化学习微调扩散模型单目标设计约 60 次迭代约 1000 次性质评估即收敛对比 MatterGen 条件生成需 4.2 万与 60.5 万个 DFT 标注样本MatInvent 仅需约 1600 次 DFT 计算获取奖励计算需求最高降低约 378 倍并支持低供应链风险磁体、高 κ 栅介质等多目标设计MatInvent, arXiv。主动学习路径亦有进展InvDesFlow-AL 将主动学习嵌入逆向设计工作流迭代缓解标签昂贵问题InvDesFlow-AL,npj Comput. Mater.。分析上述方法把标注密集转为探索驱动但 MatInvent 作者亦自述奖励依赖外部评估器DFT 或 ML 代理可能引入噪声与偏差观点。数据瓶颈并未消失而是前移到奖励函数设计与闭环自产数据的质量控制上。3.3 落地周期之辩与政策资本乐观叙事 vs 审慎现实论点AI 究竟把材料落地周期缩短了多少政策层、产业界与学界给出截然不同的判断。论据政策为事实周期判断为观点政策端明确押注加速。工信部等八部门《人工智能制造专项行动实施意见》2025.12提出到 2027 年新材料研发智能工具须支持逆向设计等 ≥3 个场景、研发效率提升超 30%国家数据局转载全文新华社北京市 2025–2027《人工智能新材料创新发展行动计划》提出研发 10 个以上垂类模型、形成 15 个标杆性新材料产品北京市政府解读上海部署AI 赋能材料中心与 4 类小模型上海市实施方案美国材料基因组计划MGI将自主实验列为拓展方向中科院战略院简报。观点侧则审慎得多有行业评论认为尚无 AI 能实质缩短电池材料约 14 年的落地周期观点视频评论欧洲气候基金 World Fund 亦称新电池材料常需 10–15 年观点传统材料研发普遍耗时 15–20 年观点Chemistry Europe。市场展望数据口径不一须交叉验证The Business Research Company 估测 AI 材料发现市场 2025 年约 7.4 亿美元、2030 年约 27.7 亿美元CAGR≈30%GII ResearchDataintelo 则估测 2025 年 38 亿美元、2034 年 196 亿美元Dataintelo更窄口径的材料信息学市场 2025 年仅约 1.6–1.7 亿美元MarketsandMarketsMordor Intelligence。同一时点不同机构相差 20 倍以上市场规模数字只能作方向性参考。分析政策与资本的确定性押注与产业界对从发现到量产周期的质疑并存反映行业仍处工具就绪、验证滞后的早期阶段——政策能拉动研发投入但 14 年式周期的缩短需要中试与规模化验证的实证而非仅靠预测环节加速。3.4 趋势展望多目标模型与 LLM 智能体进实验室论点下一阶段关键词是多目标约束与智能体进实验室——把生成模型从候选提出者升级为闭环实验者。论据模型层面生成从单目标走向多目标/多任务除 MatInvent 的多约束设计外微软 MatterSim-MT 以 3500 万结构多任务预训练Microsoft Research。实验室层面LLM 智能体已进入真实合成环境伯克利团队将 A-Lab 体系扩展至无水无氧环境A-Lab GPSS以智能体驱动 352 个锂卤尖晶石导离子体样本的合成战役成功率从首批 75 个的 1.33% 提升至末批 75 个的 5.33%arXiv 2604.11957另一闭环框架以 LLM 提炼文献合成知识并配合贝叶斯优化合成出此前未见报道的 Rb₃BiI₆ 薄膜arXiv 2608.15928。2026 年综述将这一转变概括为AI 智能体开始正面介入合成问题OAE 评论亦有视角文章提醒智能体驱动的实验室不应与自主科学发现混为一谈物理执行安全与可审计性仍是核心挑战观点JACS Au。小结综合本章AI 逆向设计在 2026 年的核心问题不是能不能生成而是生成之后能否可靠、规模化地变成实物。预测—合成鸿沟220 万 vs 736与生成结构稳定性基准PhononBench 对 6 大模型 10.8 万结构评估平均动力学稳定率仅 25.83%、MatterGen 最优 41.0%arXiv决定了其当前候选引擎的定位主动学习/强化学习与智能体闭环正在缓解数据与实验瓶颈但新颖性争议、奖励噪声与验证标准缺失仍是规模化前提。政策与资本已给出确定性的需求侧信号而供给侧实证证据仍在累积——未来 2–3 年是观察从预测到量产能否实质缩短约 14 年周期观点的关键窗口。结论综合三章数据本报告对开篇问题作答AI 逆向设计在 2026 年处于从候选引擎向闭环制造者过渡的早期落地期——工具就绪、验证滞后。四条关键发现如下。其一工具链三层齐备而成熟度不均模拟层最成熟、生成层半成熟、合成闭环刚起步。PhononBench 显示主流模型平均动力学稳定率仅 25.83%、最优 MatterGen 41.0%纸面稳定与可合成物之间仍隔鸿沟PhononBench, arXiv 2025。其二首批预测→合成→实测闭环已真实存在但为点状突破、实验室尺度MatterSim 筛选的 TaP 热导体已合成、实测 152 W/m/K 接近硅Microsoft ResearchA-Lab 成功率为 36/57正式版与 41/58预印本两口径并存CRESt 在八元空间筛出性能提升 9.3 倍的催化剂(RuNiFeMoCr)₃O₄ 在 PEM 电解槽稳定运行超 150 小时。但尚无证据表明 AI 已实质缩短任一材料的产业化周期。其三规模化瓶颈从计算转移到合成验证与数据闭环GNoME 的 220 万预测对 736 个实验吻合构成数量级落差MatInvent 以强化学习将计算需求降低约 378 倍但奖励噪声与 TaCr₂O₆ 新颖性争议Juelsholt 观点提示验证标准缺失仍是规模化前提。其四政策与市场的确定性押注与14 年周期难以缩短的审慎并存八部门提出 2027 年新材料研发效率提升超 30% 的政策目标而市场规模数字跨机构相差逾 20 倍仅可作方向性参考。未来方向把动力学稳定性与可合成性写进生成目标LLM 智能体正进入真实合成环境A-Lab GPSS 在无水无氧体系将合成成功率由 1.33% 提升至 5.33%A-Lab GPSS, arXiv 2026但智能体驱动的实验不应与自主科学发现混为一谈JACS Au, 2026。未来 2–3 年将是检验从预测到量产能否实质缩短约 14 年周期观点的关键窗口。参考文献A generative model for inorganic materials designMatterGen, 2025, Microsoft ResearchZeni 等/ Nature 来源链接Scaling deep learning for materials discoveryGNoME, 2023, Google DeepMindMerchant 等/ Nature 来源链接An autonomous laboratory for the accelerated synthesis of novel materialsA-Lab, 2023, LBNLSzymanski 等/ Nature 来源链接An autonomous laboratory for the accelerated synthesis of novel materialsA-Lab 预印本, 41/58 口径, 2023, Lawrence Berkeley National Laboratory 来源链接PhononBench大规模生成模型动力学稳定性基准v1 2025.12 / v3 2026.06, 2025–2026, 香港中文大学等 / arXiv 2512.21227 来源链接MatterSim-MT多任务通用机器学习原子间势, 2026, Microsoft Research / arXiv 2605.07927 来源链接Agentic LLM Reasoning in a Self-Driving LaboratoryA-Lab GPSS, 2026, LBNL / arXiv 2604.11957 来源链接MatInvent强化学习驱动的材料逆设计, 2025, EPFL / arXiv 2511.03112 来源链接Synthesizing like a chemistLLM贝叶斯优化合成 Rb₃BiI₆, 2026, / arXiv 2608.15928 来源链接CDVAECrystal Diffusion Variational Autoencoder, 2022, MITXie 等/ ICLR 2022 来源链接PGH-VAEs拓扑变分自编码器用于高熵合金催化位点逆向设计, 2025, 北京大学深圳研究生院潘锋团队/ npj Computational Materials 来源链接Materials Project数据驱动材料科学基础设施60 万用户, 2025, LBNLHorton 等/ Nature Materials 来源链接AI 逆向设计材料综述, 2025, 东南大学王金兰组/ 物理学报 来源链接NanoChefA Self-Driving Lab for Nanomaterial Synthesis, 2025, / ACS Nano 来源链接InvDesFlow-AL主动学习嵌入逆向设计工作流, 2025, / npj Computational Materials 来源链接A multimodal robotic platform for multi-element electrocatalyst discoveryCRESt, 2025, MIT / Nature 来源链接Accelerated discovery of highly stable ruthenium-based high-entropy oxides for acidic OER(RuNiFeMoCr)₃O₄, 2025, / Science Advances 来源链接Closed-loop framework for discovering stable and low-cost bifunctional metal oxide catalystsDigCat/RbSbWO6, 2025, 东北大学 WPI-AIMR / PubMed 来源链接Generative inverse design for microstructure control in Li- and Mn-rich layered-oxide cathodes, 2025, / Materials Horizons 来源链接SIGD对称性界面引导扩散架构用于二维材料逆向设计, 2025, 厦门大学 / Machine Learning: Science and Technology (IOP) 来源链接MatterGen predicts compounds from the training datasetTaCr₂O₆ 新颖性争议, 2025, 柏林洪堡大学Juelsholt/ ChemRxiv 来源链接Autonomous Chemistry and Materials Innovation Driven by Scientific Agents, 2026, / JACS Au 来源链接MatterGenA new paradigm of materials design with generative AI博客, 2025, Microsoft Research 来源链接Advancing AI for materials with MatterSimexperimental synthesis, faster simulation and multi-task models博客, 2025, Microsoft Research 来源链接MatterGenTaCr₂O₆ 200→169 GPa 验证数据, 2025, Microsoft Foundry Labs 来源链接Millions of new materials discovered with deep learningGNoME 官方发布, 2023, Google DeepMind 来源链接Autonomous experimentation and self-driving labs for materials synthesis using deposition techniques, 2025, 美国国家工程院NAE/ Fall Bridge 来源链接Self-driving lab transforms materials discoveryPolybot, 2025, 阿贡国家实验室ANL来源链接Materials Project 数据库版本记录r2SCAN/GNoME 结构入库, 2025, LBNL / 官方文档 来源链接北大深研院拓扑 VAE 可解释逆向设计新闻, 2025, 北京大学新闻网 来源链接Digital Discovery Unlocks Durable CatalystRbSbWO6 新闻稿, 2025, 东北大学 WPI-AIMR 来源链接microsoft/mattergenMIT 许可开源实现, 2025, Microsoft / GitHub 来源链接PhononBench 数据集与工作流开源, 2025, / GitHub 来源链接八部门《人工智能制造专项行动实施意见》2027 年新材料研发效率提升超 30%转载, 2026, 工信部等八部门 / 国家数据局 来源链接八部门人工智能制造专项行动报道, 2026, 新华社 来源链接北京市《人工智能新材料创新发展行动计划2025–2027》政策解读, 2025, 北京市人民政府 来源链接上海市部署AI 赋能材料中心与垂类小模型实施方案, 2025, 上海市 来源链接美国材料基因组计划MGI自主实验拓展方向简报, 2025, 中国科学院战略咨询院 来源链接From prediction to realizationAI 逆向设计落地评论, 2026, OAE Publishing / Chemical Synthesis 来源链接Robotic chemistry lab joins forces with Google AI to predict then make new inorganic materials, 2023, Chemistry World 来源链接AI-Accelerated Materials Discovery in 2025生成模型/GNN/自主实验室综述, 2025, Cyprus AI 来源链接Autonomous Materials Discovery Pipeline 2026观点评论, 2026, Autonomous Pipeline 来源链接AI in Materials Discovery Market Report2025 $0.74B → 2030 $2.77B, CAGR 30%, 2026, The Business Research Company 来源链接AI in Materials Discovery 市场报告TBRC/GII 口径, 2025, TBRC via GII Research 来源链接AI in Materials Discovery 市场规模2024 约 $0.54B, 2025, Market.us 来源链接AI-Powered Materials Discovery and Computational Chemistry 市场$1.68B, 2025, InsightAce Analytic 来源链接Materials Discovery AI 市场2025 $3.8B → 2034 $19.6B, 2025, Dataintelo 来源链接Material Informatics 市场2025 $0.17B → 2030 $0.41B, 2025, MarketsandMarkets 来源链接Material Informatics 市场2025 $0.16B → 2030 $0.39B, 2025, Mordor Intelligence 来源链接ChemiSCALAI 材料逆向设计技术进展与合成落地实践, 2025, 智化科技 来源链接Chemical.AI 官方 FAQChemAIRS 年设计 30 万 合成路线, 2025, 智化科技 来源链接Materials Discovery at Machine Speed电池材料落地周期 10–15 年, 观点, 2025, World Fund 来源链接AI in Accelerating Materials Discovery传统材料研发周期 15–20 年, 观点, 2025, Chemistry Europe 来源链接电池材料约 14 年落地周期观点评论, 2025, YouTube 视频 来源链接
