10月28日，清华大学化学工程系副教授王笑楠应邀发布综述文章，回顾了机器学习赋能材料研发领域的重要进展，并结合催化剂和聚合物研究，探讨人工智能如何推动化工材料研发从性质预测走向实验发现与可靠应用。

化工材料的组成、结构与加工条件构成了庞大而复杂的探索空间。文章梳理了过去十年的三个重要进展：共享数据与结构表征模型拓展了材料性质预测的能力，生成模型与主动学习推动研究从筛选候选材料走向主动引导探索和自主实验室将预测、合成与表征纳入迭代流程使实验反馈能够修正模型及研究假设。文章同时指出，模型在已有数据范围内表现良好，并不意味着其对陌生结构和工况同样可靠。

结合课题组研究，文章讨论了智能设计与材料实际功能之间的联系。王笑楠团队开发的SurFF表面性质基础模型，预测金属间化合物晶体的表面暴露与平衡形貌，在保持相近精度的同时，相比密度泛函理论计算实现了约十万倍加速。在合成气转化为可持续航空燃料组分的研究中，团队结合主动学习与可解释机器学习，在寻找催化剂的同时提炼经过实验检验的设计规则。PolyRL框架则利用强化学习生成兼顾多项目标的候选聚合物，并通过分子模拟评估其性能；这些候选仍需经过合成与膜测试，才能判断实际应用价值。

机器学习赋能材料研发：从已有数据学习、通过新实验迭代，走向理解材料的跨尺度演化

化工材料研发需要贯通分子设计、合成加工与实际使用。初始活性较高的催化剂可能在运行中失活，预测性能优良的聚合物也可能难以加工成性能稳定的膜。面向未来，应进一步理解催化剂表面重构、聚合物加工历史及界面动态变化，发展能够描述非平衡过程的方法，并连接不同尺度的模型与测量，将微观行为与传热、传质及宏观性能联系起来。

基础模型与科学智能体有望支持上述研究，但其价值仍需通过科学证据检验。文章提出，应关注系统能否区分证据与推断、识别超出训练范围的条件，并设计实验检验和修正自身解释。同时，应重视失败实验、工况变化和时间依赖测量的记录，为模型学习材料演化提供更完整的依据。未来人工智能将持续拓展材料探索的范围，而研究问题的选择仍需要人的科学判断。

10月28日，该综述以“机器学习赋能材料开发的十年历程”（A decade of machine learning for materials development）为题，发表在《自然综述·材料》（Nature Reviews Materials）。王笑楠副教授为文章唯一作者及通讯作者。

论文链接：

https://doi.org/10.1038/s41578-026-00979-3