长久以来，材料开发都靠试错，美名曰炼丹、炒菜，一个配方称之为一个材料。

在材料的物理和化学理论基础建立起来后，结合热闹的AI技术，材料设计方法也经历了多轮演进：

一为经验式、拍脑袋式。AI大语言模型的进步让文献检索与初步整理变得容易与快捷，这有助于增加经验（别人的经验变为自己的）、但无助于增强工程师个体的判断能力与增大灵光乍现的机会。依赖密度泛函（DFT）计算数据库的所号称的材料预测发现实在要当心，因为该类计算属于基态计算，其理论基础存在结构性缺失：在缺少激发态数据、没有经过热力学评估的情况下，绝大多数绝大多数假设性“材料”是制造不出来的；

二为计算预测、实验验证。材料基因组计划（MGI）倡导高通量计算、从计算结果中筛选 （screening）出候选体系进行实验验证。该方法的可靠性依赖于计算方法与计算能力。绝热近似、自洽场近似、单电子近似、局域密度近似等等各种近似对结果的影响需要评估，否则会失之毫厘差之千里。能带论、莫特金属-绝缘相变等等成功的背后，事后解释与理解的功能则远大于新材料和新效应的预测；

三为基于因果物理模型。凝聚态物质的物理行为具有呈展性，原子尺度的特征是其存在的基础，但量化描述却需要晶格 （lattice）尺度的系综特征。状态、行为及其特性与晶格尺度系综特征量之间的物理模型是因果的，智能计算能够发现之 （AIP Adv. 2024，14：055023）。这样的话，从材料配方出发进行简单的计算就可以得到所期待的结果，不必再进行复杂的方程求解与耗时费力的物理实验；从所需综合性能出发逆向预测材料配方与显微结构，则是少变量对多变量的设计问题，所谓的神经网络等逆向求解说法值得商榷，从数学角度看站不住脚。

偷懒不得！

支持单位：