首页

人工智能系列|人工智能+新材料：开启材料研发新范式

Time：

2025-02-24

人工智能正以前所未有的速度渗透到各个领域，新材料产业也不例外。AI技术的引入，为新材料研发带来了革命性的变化，从材料设计、性能预测到工艺优化，AI正在重塑材料科学的未来。本报告将深入探讨AI技术在新材料产业的应用和影响，解读政策赋能情况，并介绍国内外领军企业的布局，对未来发展和产业落地及商业化做出研判。

一、引言

新材料产业是许多相关领域技术变革的基础,也是新能源、航空航天、电子信息等高新技术产业发展的先导。目前，全球范围内都在积极发展新材料，尤其是发达国家，新材料已成为决定一国高端制造及国防安全的关键因素和国际竞争的重点领域。

传统研发手段由于成本高、效率低、商业化周期长等不利因素无法满足现代社会的发展需求，近年来大数据与人工智能不断深入结合,以数据驱动为核心的计算机建模和机器学习为新材料领域发展提供了新的契机，已经对材料科学产生变革性的影响，也必将在众多科学和工程领域起到关键作用。

二、政策赋能情况

中国出台了一系列政策加速相关领域创新，例如“新一代人工智能发展规划”（2017年）：明确提出要推动AI在材料科学等领域的应用，促进技术跨界融合；“材料基因工程重大专项”中国家通过政策引导和专项资金支持，推动材料数据平台建设和AI技术的应用，特别是在航空航天、能源、制造等关键领域；“双碳”目标指导下政策鼓励利用AI加速新能源材料研发，助力实现碳达峰碳中和目标。2023年3月，科技部、自然科学基金委员会启动“人工智能驱动的科学研究”（AI for Science）专项部署工作，围绕药物研发、基因研究、生物育种、新材料研发等重点领域科研需求展开，布局“人工智能驱动的科学研究”前沿科技研发体系。2025年2月，北京市科委推出《北京市加快推动“人工智能+新材料”创新发展行动计划（2025-2027年）》，明确发展目标，并在融合创新源头攻关、新材料数据基础设施构筑、新材料智能实验室建设等方面布置了重点任务。

国际方面，多个国家也积极推动AI与新材料领域的融合与发展。美国能源部（DOE）启动的材料创新计划（Materials Innovation Program）就重点利用AI进行新型能源材料的研发，麻省理工学院、斯坦福大学等学术机构也在此领域有大量科研成果。欧盟通过“地平线2020”计划，推动AI技术在材料科学中的应用，尤其是在智能材料等领域。欧盟还通过“材料基因组计划”加大对AI驱动的材料研发的投资。日本近年来加大了AI与材料科学结合的力度，特别是在电子材料和高性能材料的开发，如“超级智能材料计划”就是以AI为核心推动先进材料的研发和应用。

三、AI+新材料的技术原理和逻辑

（一）机器学习及材料基因组

当涉及到AI在材料科学中的应用时，常见的场景是利用机器学习和数据科学的方法对材料的数据进行深度分析和处理。数据驱动科学是科学研究的第四范式, 作为其核心技术的机器学习(Machine Learning, ML)在物理科学、游戏开发、基因组计划、医疗健康、气象监测以及金融市场分析等众多科学和工程领域具有关键作用，机器学习是发现高维数据背后隐藏的统计规律的强有力武器。

2011年，由美国率先提出“材料基因组计划(Materials Genome Initiative, MGI)”,标志着材料信息学的正式形成。材料基因组计划在大量数据的基础上建立了诸多数据库平台,基于这些材料数据库,机器学习针对特定材料属性建立相对应的算法模型,可快速实现对材料性能的预测,从而有望加速新材料的筛选和设计,缩短材料研发周期。

机器学习技术可根据人们所需要的性能快速地预测出相应候选材料,目前已被世界各国的材料研究者广泛应用于新材料的筛选中。选择合适的机器学习算法是构建机器学习系统的关键步骤,它对预测精度和泛化能力有很大的影响。每一种算法都有自己的适用范围,因此,没有一种算法可以适用于所有的需求。

（二）主要逻辑和步骤

1. 构建样本

构成样本的数据的数量和质量直接决定了预测模型的优劣。数据主要源于实验、文献、计算模拟以及材料数据库。在实际情况中,收集数据的过程会遇到很多问题,比如数据缺乏、数据重复、数据超出范围、数据异常等。如何从繁杂的数据中筛选有用的数据并确定合适的特征属性,是构建样本的关键问题。

2. 建立模型

建立模型是指使用一组特定的非线性或线性函数来链接输入数据和输出数据,建立条件因子与目标属性之间的关系。在典型的材料科学研究中,条件因子和目标属性之间往往存在着复杂的关系,传统的方法很难处理。机器学习可以提供一种方法,使用目标函数的示例来查找某一映射函数逼近的结果,尽可能接近目标函数。正确选择算法才能建立合适模型,对数据进行训练并做出准确的预测,以建立条件因子和目标属性的关系。

3. 模型评估

一般来说可以对模型的泛化误差进行评估,测试并选用结果最好的一个。只有选用与问题相匹配的评估方法,才能快速发现模型选择或训练中存在的问题,迭代地对模型进行优化。

（三）AI+新材料的具体应用

机器学习等AI技术凭借其强大的预测和计算性能，已广泛应用于材料科学各领域，从指导发现新材料、预测及优化材料性能、辅助表征，到中试与小试阶段优化、工业生产优化等过程，并且可应用于物理和化学过程的模拟与优化、数据管理与决策支持等方面。

四、国内外重点企业

（一）国外企业

欧美政府和企业充分认识到信息技术革命之后，材料革新对技术进步和产业发展的重要作用。国外企业，不乏产业巨头积极探索AI技术在材料研发生产领域的应用，在能源、电子、化工、航空航天、医疗和环保等领域展现了强大的技术实力和商业化潜力。其技术特点主要体现在数据驱动的材料设计、高通量实验、自动化研发、量子计算和声子工程等方面，可以把现有的材料研发周期从20-30年缩短到2-3年。未来，国外企业在AI驱动的材料设计、自动化实验平台等领域预期保持领先，商业化应用更成熟。

表1 国外重点企业

（二）国内企业

国内企业如深势科技、晶泰科技、幻量科技、创材深造等，是新一代信息技术与新材料技术融合创新的代表。我国该领域代表企业特征是成立时间较晚，以小规模的科技创新企业为主。主要聚焦于能源、电子与半导体、化工与材料、医疗与生物科技、环保与可持续发展、量子材料与计算等产业领域的应用。其技术特点更注重材料基因组、高通量计算、量子计算等基础研究，多家企业注重开发AI驱动的材料设计平台和软件，提供跨行业材料研发服务能力。我国政策支持更加系统化，涵盖碳中和、半导体自主化、量子科技等多个领域，注重国家战略导向。国内企业积极响应政策驱动的技术突破，有望在电池材料、半导体材料等领域实现快速追赶，并在量子材料、AI材料设计平台等领域实现突破。

表2 国内重点企业

展望未来，在AI+新材料产业落地及商业化方面，我们做出如下研判：短期（1-3年），国内企业在电池材料领域技术成熟，市场需求旺盛，将实现快速商业化；受益于政策支持，有望在半导体材料领域取得突破。中期（3-5年），随着碳中和政策推进，环保材料（可降解材料、碳捕捉材料）将逐步商业化；航空航天、汽车行业对轻量化材料的需求将推动技术突破。长期（5年以上），AI驱动的材料设计平台将逐步成为行业基础设施，国内企业有望在AI驱动的材料设计平台、量子计算与材料模拟等领域实现全球领先。

五、问题和建议

我国AI+新材料产业领域发展迅速，但在技术创新、数据资源、产业化落地、产业链协同等方面仍面临一些挑战。

存在的问题：技术创新能力不足，尤其是重大原始创新能力不足，部分关键核心技术和高端材料仍然受制于人，AI技术与材料科学的深度融合不足，原创性算法和模型较少，部分领域与国际领先水平存在差距。数据资源匮乏，高质量的材料数据稀缺，数据共享机制不完善。材料实验数据分散，标准化程度低，数据隐私和安全问题制约了数据共享。产业化落地困难，实验室成果难以转化为规模化生产，产业化周期长、成本高。中试环节薄弱，生产工艺不成熟，市场接受度低。产业链协同不足，材料研发、AI技术开发与应用端需求脱节，上下游企业协同不够，缺乏有效的产业链整合机制，信息共享和合作平台不足。高端人才短缺，AI+新材料领域的跨学科复合型人才匮乏，人才培养体系和人才引进留用机制有待完善。

发展的建议：加强技术创新与研发投入，加大基础研究投入，支持高校、科研院所与企业联合攻关，设立国家级AI+新材料研发中心，聚焦前沿领域（如量子材料、智能材料），鼓励企业加大研发投入，推动AI技术与材料科学的深度融合。构建高质量材料数据库，建立国家级材料数据库，整合实验数据、计算数据和文献数据，推动数据标准化和共享机制，支持企业建设私有数据库，并通过合作实现数据共享。推动产业化落地，加强中试平台建设，支持实验室成果向规模化生产转化。设立产业化基金，支持企业解决生产工艺和成本问题。加强高端人才培养与引进，完善AI+新材料领域人才培养体系，支持高校开设跨学科课程，鼓励企业与国际科研机构合作，培养国际化人才。加强政策支持与统筹规划，制定国家级AI+新材料产业发展规划，加大政策扶持力度，加强部门协调，形成政策合力，推动AI+新材料产业健康发展。