材料工程师想快速建立材料配方与材料性能之间的量化映射以备决策（材料工程师的“认知”），任务是对客户需求与市场进行响应与反馈。因此，建立材料的预测式设计方法（材料的预测方法小议  ）和工具是简洁、快捷进行新材料开发的必然。

实验范式和计算范式开发材料都耗时费力，鉴于物理条件所限也经常遇到力不从心的时候。而且，高通量技术并未能改变极端环境难以获得数据的困境。如何让实验变为验证的手段，而不再是数据生产、方案探索的前提值得深思。当然，必要的数据生产是避免不了的。

材料数据有多种模态。目前，实验数据（数值模态）经常调用数据驱动机器学习算法进行建模（黑箱vs白箱）；利用历史计算数据另寻解方程之路（智能仿真与传统仿真之别  ）；文本数据（自然语言模态）则应用大语言模型进行文案生成（对大模型（LLM）的疑问 ），这是“读”-“算”-“做”商业化技术路线。多模态统一处理材料数据仍然是一个开放问题（AI for Science的现状与出路  ）。

实验范式、计算范式、AI范式其实都包含大量的数据生产、模型训练工作，并未建立材料工程师期待的“配方”与“性能”间的直接的因果关系，后者不仅提供预测设计工具、还提供物理判断与理解的基础。“小”数据出发是效率、是性价比，“根”知识出发是物理原理、是物化基础，“根”知识与“小”数据协同要用不同于目前AI4S采用的大数据智能架构、需要建立基于因果推理算法的智能计算材料架构（AI+材料：人机混合增强科学智能架构）。

“天目慧算”正是基于上述认知，采用数据科学范式建立了材料物理预测模型、采用人机混合增强科学智能架构搭建材料预测设计的智能工具（黑箱vs白箱  ）。

想当年，原子弹、氢弹、导弹等工程设计并没有先进的电子计算机、算盘照打不误。方法简洁才是工具高效的基石。

支持单位：