AI×材料科学：寻找下一个超导体
一句话结论：材料发现是一个"候选空间极大、单次验证极贵"的搜索问题——GNoME 用图神经网络把候选筛选前置，机器学习势能面把 DFT 验证加速千倍，真正的工程难点是把"AI 预测 → DFT 验证 → 实验合成"串成一个可信闭环。
1. 材料发现的本质是搜索
- 候选空间：晶体结构由元素组合 × 空间群 × 晶胞参数决定，理论候选在 10¹⁰ 量级以上；
- 验证代价：DFT（密度泛函理论）单次计算从分钟到小时级，实验合成更慢更贵；
- 传统路径：靠经验与试错，从候选到发现周期以年计。
AI 的价值在于把最贵的验证往后放：先用廉价模型筛掉 99% 的不稳定候选，只把少数高潜力结构送进 DFT/实验。GNoME（DeepMind）正是这条路线的代表：预测晶体结构稳定性，一次性发现 220 万种新材料（其中约 38 万种被判定热力学稳定）。
2. GNoME 与图神经网络
- 结构建模：晶体天然是图——原子是节点，化学键/距离是边。GNN 在图上做消息传递，天然建模"局部化学环境决定性质"；
- GNoME 的思路：对候选结构预测形成能/稳定性，用能量阈值过滤，只保留负形成能（热力学有利）的候选；
- 主动学习：预测器不断用新 DFT 结果重训，采样策略聚焦"边界区域"（预测不确定但可能稳定），避免均匀撒点。
工程要点：
| 环节 | 关键设计 |
|---|---|
| 图构建 | 周期性边界处理（PBC）——晶体图必须考虑平移对称，否则同一晶体多种表示 |
| 节点特征 | 元素类型、价态、配位数；边特征：键长、键角 |
| 能量预测 | 回归任务，输出形成能/带隙/弹性模量等 |
| 不确定性 | 集成或多头预测，用于主动学习采样 |
3. 构效关系：从"预测性质"到"按性质生成"
筛选式发现（预测已有候选的性质）之后，是逆向设计（给定目标性质，生成候选结构）：
- 生成模型：扩散模型/流模型在晶胞参数与原子坐标空间生成新结构，条件为"目标带隙、目标稳定性"；
- 打分与过滤：生成的结构先用 GNN 快速打分（形成能、带隙窗口），排序后送 DFT；
- 约束：现实约束（元素丰度、毒性、合成可行性）必须在生成时或筛选时硬编码，否则会产出"理论上稳定但永远合成不出来"的结构。
4. DFT 加速：机器学习势能面
DFT 的单点能量与力计算是验证环节的成本瓶颈。**机器学习势能（MLIP）**用神经网络拟合"原子构型 → 能量/力"，推理比 DFT 快 100~1000 倍：
- 数据：用 DFT 生成构型-能量样本（主动采样：MD 轨迹、随机扰动），训练势能面；
- 应用：分子动力学（MD）模拟可以跑在 MLIP 上，长时间尺度的相变、扩散、缺陷演化研究成为可能；
- 精度权衡：MLIP 在训练分布内接近 DFT 精度，分布外（新元素组合、极端温度）会漂移——必须持续用 DFT 校验回算，与 CFD 代理模型的"闭环校验"是同一套逻辑。
5. 工程闭环：AI → DFT → 实验
生成模型（按目标性质生成候选）
│
▼
GNN 快速筛选（形成能/带隙/约束过滤）── 淘汰 99%
│
▼
DFT 精验证（MLIP 加速预筛 + DFT 终判）
│
▼
实验合成（最高优先级候选）── 数据回流，重训生成与筛选模型工程落地的关键不是任何一个模型的精度，而是闭环的数据回流：
- 每次 DFT/实验的结果都要回到训练集，重训生成器与打分器；
- 采样策略要显式覆盖"模型不确定但物理上可能"的区域（主动学习）；
- 失败数据比成功数据更有价值——实验失败的候选要原样入库，防止模型反复生成同一批不可合成结构。
6. 工程落地清单
- 数据集：Materials Project / OQMD 等公开库起步，但自有实验数据是护城河；
- PBC 图构建：统一周期性处理逻辑，避免同构晶体被当成不同样本；
- 两级验证：MLIP 粗筛 + DFT 终判，明确各自的可信区间；
- 不确定性跟踪：每个预测带置信度，置信度低的结果强制进 DFT；
- 数据版本：DFT 软件版本、泛函（PBE/HSE）、赝势必须随结果入库，否则结果不可复现。
判断标准：从预测到合成的闭环周转率。一个月内有多少候选真正走进实验室、多少失败原因被记录回流——这个数字比任何单模型精度都更能说明材料 AI 工程是否成立。