在數字化轉型的背景下，人工智慧技術正在從根本上改變化學與材料科學的研究正規化。2024年，這場技術革新在多個領域展現其變革力量。
在分子設計領域，基於圖神經網路（GNN）和 Transformer 架構的深度學習模型，結合分子動力學模擬，實現了分子性質的精確預測與最佳化。這些方法將傳統的實驗導向研發模式轉變為資料驅動的智慧設計正規化，顯著提升了新藥研發效率和新材料設計的成功率。
基於機器學習的自動實驗平臺整合了高通量合成裝置、線上表徵系統和智慧決策演算法，透過貝葉斯最佳化等方法自適應調整實驗引數，實現了全流程自動化。這不僅提高了實驗的可重複性，也降低了危險化學品操作的安全風險。
在新材料發現方面，機器學習演算法結合材料基因組資料庫和高通量計算，成功預測併合成出新型鈣鈦礦太陽能電池材料、高效能儲能材料等。AI輔助催化劑設計最佳化了工業過程的能源效率，推動綠色化學發展。
在材料表徵領域，深度學習演算法在電子顯微鏡影像分析、X射線衍射譜圖解析等方面取得突破，實現了奈米尺度材料結構的快速表徵與精確分析。這些智慧分析工具能從海量實驗資料中挖掘材料結構與效能的關聯。
這些進展正推動化學與材料科學向智慧化、精確化方向發展。隨著演算法模型的最佳化和實驗技術的自動化，人工智慧將在解決能源、環境、醫療等全球性挑戰中發揮更加關鍵的作用。
接下來，ScienceAI 將回顧 2024 年 AI 在材料、化學領域的一些重要研究進展。
友情提示：點選小標題可直接訪問文章
發現高能鈉離子電池成分，機器學習簡化最佳材料搜尋過程
Science子刊，理解更真實的溶液，ML力場將速度提升六個數量級，更高效表徵水分子時空關係
張璇、周光敏團隊在隨機退役條件下基於生成式學習的電池健康狀態評估與可持續回收研究中取得新進展
準確率達95%，混合深度學習搜尋奈米生物材料，登Nature子刊
LLM學習原子「結構語言」，生成未知化合物的晶體結構，登Nature子刊
打破GNN與語言模型間壁壘，圖輔助多模態預訓練框架用於催化劑篩選，登Nature子刊
6.85億次AI加速模擬，分析2萬種材料，Meta釋出催化劑資料集OCx24
AI預測序列與催化效能的潛在關係，中國科學院、北師大設計合理酶變體，登Nature子刊
類GPT化學語言模型，9秒生成100種化合物，微軟AI藥物設計平臺登Nature子刊
Nature 子刊，化學語言模型自動設計多靶點配體
1.1億個結構DFT計算，Meta推出OMat24，AI驅動材料發現開源化
化學空間導航儀：流生成式AI引導分子屬性控制
新「AI科學家」？MIT整合多智慧體，實現材料科學研究自動化
機器學習輔助催化劑設計，天大團隊開發通用且可解釋的描述符
原子、分子、複合物級性質預測均最佳，清華分子預訓練框架登Nature子刊
「可損傷程式設計設計」的超材料，上海交大團隊用AI實現材料的自然抗裂機制
節省數年時間，AI發現更高效綠氫催化劑僅需幾天，36,000多種混合金屬氧化物訓練
開啟AI黑匣子，「三段式」AI用於化學研究，最佳化分子同時產生新化學知識，登Nature
分子大模型升級，Uni-Mol+加速量子化學屬性預測，深勢科技、北大研究登Nature子刊
數百萬晶體資料訓練，解決晶體學相位問題，深度學習方法PhAI登Science
準確率達60.8%，浙大基於Transformer的化學逆合成預測模型，登Nature子刊
「兩全其美」，從頭設計分子，深度學習架構S4用於化學語言建模
廈大團隊材料預測遷移學習正規化登Nature子刊，發現高效能催化劑
化學逆合成SOTA！上海交大團隊提出SMILES對齊技術實現高效逆合成預測
史丹佛 AI 方法加速目標材料發現，為「自動駕駛實驗」奠定基礎
無需任何系統的物理知識，美國阿貢國家實驗室AI製造材料「指紋」
效能強11倍，佐治亞理工、清華團隊用AI輔助發現儲能新材料，登Nature子刊
成本減少90%以上，「主動學習+實驗工作流程」加速催化劑開發
Llama分子嵌入優於GPT，LLM能理解分子嗎？這一局Meta贏了OpenAI
分子100%有效，從頭設計配體，湖南大學提出基於片段的分子表徵框架
生成準確率高達 95%，人工智慧結合機器人技術增強可穿戴電子材料設計
自動識別最佳分子，降低合成成本，MIT開發分子設計決策演算法框架
Hinton任顧問，「AI+材料」初創CuspAI宣佈獲得3000萬美元種子輪融資
探索複合材料中的原子擴散，加州大學開發神經網路動力學方法
預測準確率達95.7%，ChatMOF利用LLM預測和生成金屬有機框架
Science發文，量子計算機有望加速材料、催化劑和藥物的開發
為百億引數LLM化學應用提供新正規化，香港理工大學提出上下文分子微調
六個自動化實驗室聯合AI，發現21種先進新材料，全程無人類參與
效率高、成本低，從單一結構到平衡分佈，微軟AI分子預測框架登Nature子刊
AlphaFold 3輕鬆應對核酸、脂類分子？科學家迫不及待地更新了評測
從材料設計合成，到催化劑創新、碳中和，清華王笑楠團隊探索「AI+材料」前沿與落地
登Nature子刊，「機器人+AI+MD模擬」加速材料發現和設計，發現全天然塑膠替代品
低成本、準確、穩健，各類分子通用，上海人工智慧實驗室開發MD模擬AI新方法
對25,000多個原子進行納秒級MD模擬，DeepMind開發基於ML的大規模分子模擬通用方法
比手動快13倍多，「機器人+AI」發現電池最佳電解質，加速材料研究
化學能力超GPT-4，首個化學領域百億級大模型，思必馳、上交大、蘇州實驗室聯合釋出
釋放 LLM 進行復雜化學推理的能力，一種簡單而有效的提示策略 StructChem
Nature子刊 | 由AI推動的探針化學反應，從自動化到智慧化，清華聯合NUS開發融合化學家知識的原子機器人探針
預測精度高達0.98，清華、深勢科技等提出基於Transformer的MOF材料多功能預測框架
5天完成6個月實驗量，加速催化研究，「自動駕駛」催化實驗室Fast-Cat登Nature子刊
加速量子化學計算，位元組&北大團隊量子蒙特卡羅研究新進展登Nature子刊
Nature 子刊 | 動態可程式設計系統，能夠製造、最佳化和發現新分子
大語言模型加速材料發現，普林斯頓大學團隊利用 LLM 準確預測晶體特性
浙大團隊釋出 75 頁科學 LLM 調查，重點關注生物和化學領域，指出七個未來發展方向
登Science，速度和準確性均超越人類化學家，且具獨創性，AI自主化學合成機器人加速化學發現
Nature 子刊 | 化學家和機器人都可以讀懂，用於機器人合成可重複性的通用化學程式語言
優於3D模型，成功率達90.6%，基於擴散的生成式AI從2D分子圖探索過渡態
微軟和 PNNL 合作研究，AI 發現的新材料可以減少電池中鋰的使用
成功率提高四倍，東大、浙師大提出材料合成通用框架，整合 AI、高通量實驗和化學先驗知識
Nature子刊 | 透過影片去噪擴散模型進行非線性機械超材料逆向設計
發現、合成並表徵303個新分子，MIT團隊開發機器學習驅動的閉環自主分子發現平臺