面对种类繁多、结构丰富的材料化学空间，如何高效、精准地筛选出具有特定性能的新材料，一直是材料、物理、化学领域的核心难题。近年来，人工智能技术正在快速改变科学研发的面貌，AI for Science的理念与方法正逐渐深入自然科学的各个领域。王金兰课题组近年来主要致力于发展人工智能等数据驱动方法，解决前沿新材料高效筛选与设计的具体问题，包括以下三个方面：一是针对数据稀疏下的预测难题，发展面向小数据集的材料智能设计方法；二是针对从性质到材料的按需构筑愿景，开展基于生成模型的材料逆向设计研究；三是针对材料从设计走向应用的合成难题，开发能够指导实验合成的人工智能模型、实现材料合成信息的准确预测。目前，所开发的材料智能设计方法已成功应用于钙钛矿、二维材料、催化材料等多类材料体系，构建了涵盖稳定性、带隙、磁性、载流子迁移率、催化效率等多种关键性质的预测模型，并建立了相应的材料数据库。相关代表性工作发表于 Nat. Commun. (2018; 2024(2); 2025(2))、Natl. Sci. Rev. (2026)、Adv. Mater. (2020)、Chem (2021)等，并受邀在Natl. Sci. Rev.、Acc. Mater. Res. 、J. Phys. Chem. Lett.等期刊上撰写前瞻展望与专题综述；相关方法已取得软件著作权6项。

1. 面向小数据集的材料智能设计

图1：结合对抗式迁移学习与专家知识精准预测二维材料迁移率

针对材料数据稀缺制约机器学习预测能力的普遍问题，我们开发了结合对抗式训练与专家知识的混合迁移学习框架。该框架利用对抗训练捕捉块体与二维材料间的共性特征，并引入领域专家知识提升预测的准确性与泛化能力，首次实现了不同材料、不同性质间的跨域迁移学习。以块体材料的有效质量数据为源域，该框架成功实现了对二维材料载流子迁移率的准确预测，预测精度达90%，速度较第一性原理计算提升5个数量级。在此基础上，我们从大量候选结构中筛选出21种载流子迁移率远超硅、且带隙与硅相近的二维材料，为高性能半导体器件提供了候选体系。该工作发表于 Nat. Commun. 2024, 15, 5391。

图2：基于梯度提升算法和边缘采样算法的可解释性主动学习框架

针对高维化学空间搜索效率低、数据标注成本高的难题，我们提出了融合梯度提升算法与两步边缘采样策略的主动学习框架。该框架通过迭代反馈机制动态构建高质量数据集，优先学习决策边界附近及结构组分多样化的样本，以最少的计算代价实现模型性能的快速收敛。同时，我们发展了融合次近邻原子信息的混合磁性描述符，结合晶体场理论与磁性理论，提升了铁磁-反铁磁能量差的预测能力。将该框架应用于20余万种二维材料化学空间的搜索，最终筛选出9622种二维铁磁候选化合物，其中722种具有较大的高居里温度潜力。通过SHAP分析，进一步揭示了配位环境、磁性原子周期数与配位构型对铁磁性的影响规律。该工作发表于 Chem 2022, 8, 769。

针对材料描述方式难以兼顾简洁性与信息丰富性的问题，我们在此前工作CGMD (Adv. Mater. 2020, 32, 2002658）的基础上提出了转换原子向量的材料编码方法，仅基于500个数据点即实现了二维材料HSE带隙的高精度预测，准确率超过90%。该工作发表于 Phys. Rev. Mater. 2022, 6, 123803。

相关小数据集相关发展相关方法学进展受邀在 Acc. Mater. Res. (2025, 6, 685–694)发表专题综述。

2. 基于生成模型的材料逆向设计

图3：双主动学习驱动的新颖二维材料生成框架

针对传统生成式模型因数据稀缺与分布集中而陷入“知识边界”困境、生成重复率高且稳定性差的问题，我们提出了DuALGen双主动学习驱动生成框架。该框架耦合“生成-预测”双主动学习闭环，通过动态多准则采样驱动设计空间探索，同时采样离群样本以修正分布偏移，实现了模型的持续优化与化学空间的自适应拓展。将其应用于二维材料，成功发现了超过一万种新型稳定化合物，其中包括数千种高性能电子应用候选材料。该工作发表于 Natl. Sci. Rev. 2026, 13, nwag101。

图4：鸟群算法结合图神经网络的电催化剂逆向设计框架

直接生成具有最优性能的材料结构是材料逆向设计的长期目标，但传统生成模型往往难以有效探索全局化学空间。针对这一挑战，我们提出了MAGECS框架，通过将鸟群算法与监督图神经网络相结合，实现了生成模型在庞大化学空间中的目标导向寻径。将该框架应用于CO₂还原合金电催化剂的设计，生成了超过25万种结构，高活性结构比例达35%，较随机生成提升2.5倍。实验合成了五种预测合金，其中两种的法拉第效率达到约90%。该工作发表于 Nat. Commun. 2025, 16, 1053。

相关生成式材料设计方法学进展受邀在 Natl. Sci. Rev. 2022, 9, nwac111以及物理学报, 2025, 74, 240701发表专题展望。

3. 材料可合成性预测

图5：基于大语言模型的晶体可合成性与前驱体预测框架

从理论设计走向实际材料合成是新材料研发的关键瓶颈。针对这一问题，我们开发了晶体合成大语言模型（CSLLM）框架，通过三个微调大语言模型分别预测任意三维晶体结构的可合成性、合成方法与前驱体。该框架构建了包含可合成/不可合成晶体的综合数据集，并发展了高效的晶体结构文本表示方法。可合成性预测模型取得了98.6%的准确率，显著优于基于热力学和动力学稳定性的传统方法；合成方法与前驱体预测模型在二元和三元化合物上也均达到90%以上的准确率。基于该框架，成功筛选出45,632个可合成的理论结构，并结合图神经网络预测了其23种关键性质。该工作发表于 Nat. Commun. 2025, 16, 6530。

图6：基于高通量实验与机器学习的二维钙钛矿可合成性预测框架

针对二维钙钛矿材料实验合成条件复杂、试错成本高的问题，我们提出了结合高通量实验、专家知识与机器学习技术的通用合成预测框架，在典型实验室环境下构建了实验条件、材料结构与可合成性之间的耦合映射关系。与浙江师范大学张毅教授团队合作，从8,406种候选材料中筛选出344种高合成性二维钙钛矿材料，实验合成成功率提高约四倍。该工作发表于 Nat. Commun. 2024，15，138。

可合成性相关方法进展受邀在 Nat. Sci. Rev. 2025, 12, nwaf081发表专题综述。