创制集成自旋、轨道、电荷、晶格等多种物理自由度并期待呈现交叉耦合作用的多功能新材料需要对现有物质存在原理进行颠覆性再认知、需要材料研究范式变革。长久以来，材料研究大都是试错式地提出新思想新方案、四处出击碰运气，数据分析多采用从机制(mechanism)到模型(model)再到理论(mechanics)的事后解释思维，对物质存在原理的认知难免碎片化局域化、似是而非、亦或相互矛盾。例如，室温铁磁半导体和铁磁电体之所以难发现就受“铁磁性和半导性源于不同的晶体结构和化学键”、“铁电性与磁性在钙钛矿氧化物中化学‘排斥(exclusion)’‘禁忌(contraindication)’”等矛盾认知的束缚，人们试图寻找新机制以期绕开上述矛盾。最近三十多年来，国内外针对铁磁性量子材料掀起了一阵又一阵研究风潮,但在室温铁磁半导体和室温铁磁电体的研究中却假象频出、常常缺少完整的证据链。

    在量子科学与技术上升到国家战略的时刻，scientific bubbles（科学肥皂泡）需要挤破以实现0-1创新！...

数据挖掘进行材料预测目前存在两种技术路径：

一种是基于材料信息学和机器学习技术的数据挖掘，在选择描述符时基于还原论（现有文献大都如此），机器学习采用统计算法模型，模型建立通常需要大数据（big data）；

另一种是基于演生论，在理论导引下构造选择系综描述符、挖掘目标性质与系综描述符之间的物理规律与关系，小数据就可以工作。详情见：

Physics-Guided Data-Mining Driven Design of Room-Temperature Multiferroic Perovskite Oxides

https://doi.org/10.1002/pssr.201900028

数据科学范式下的钙钛矿结构铁电新材料研究

http://www.kjdb.org/CN/Y2019/V37/I11/71