【全彩精裝】人工智能材料學：AI4Materials
ISBN13：9787030834270
出版社：科學出版社
作者：潘鋒
出版日：2025/12/01
裝訂：精裝
頁數：289
規格：24cm*17cm (高/寬)
編輯推薦
本書旨在總結近年來人工智能在材料科學與工程領域的應用以及未來發展方向。基於大數據與人工智能演算法的材料學新範式可以利用當前日新月異的電腦前沿技術，實現材料的預測、模擬、結構解析、可控合成等，從而顯著縮短材料開發週期並且降低研究成本，為推動材料學的創新與進步發揮重要作用。
內容簡介
《人工智能材料學：AI4Materials》系統闡述了人工智能（AI）驅動材料學研究典範的深刻變革。內容貫穿AI賦能材料研發的全鏈條，涵蓋從微觀結構特徵提取、性質預測與反向設計，到動態演化模擬、智能表徵解析及知識發現等核心環節，並前瞻性展望了“人工智能材料學家”這一終極圖景。 《人工智能材料學：AI4Materials》透過對比“人的研究方式”與“AI的研究方式”，為讀者構建起一個從理論基礎到前沿應用的完整知識體系。
本書透過比較以傳統晶體學為代表的「顯式」材料構效關係分析方法與建立在機器學習和材料基因工程之上的「隱式」分析方法，本書將深入探討這一範式變革的邏輯內核與實踐路徑，並選取材料學與人工智慧交叉領域中的幾個重點研究方向，詳細闡述其中的里程碑式突破以及帶來的深刻啟發。全書分為七個章節：第一章將簡要回顧材料學發展歷史，介紹材料科學與工程研究中的關鍵概念以及人工智慧是如何加速新材料的創制；第二章將重點討論材料結構的描述方法以及適用於人工智慧的材料特徵工程；第三至六章將分別圍繞材料的本徵性質預測、結構演化模擬、表徵圖譜解析與文獻資訊挖掘這四個研究方向，介紹相關的人工智慧模型及其取得的重大科學研究成果；最後一章將著重論述基於設計、製備、表徵與分析相互協同的人工智慧材料學家，並展望其未來發展趨勢與前景。
作者簡介
潘鋒，北京大學講席教授、北京大學深圳研究生院新材料學院創院院長、國家特聘專家、國家重點研發計劃項目負責人、中國化學會會士、《結構化學》執行主編、未名電池科技（深圳）有限公司的創始人。長期致力於發展圖論結構化學、材料基因組學、人工智能材料學和高性能鋰電池材料，創建了基於圖論/拓撲和 AI 的結構化學理論，建立了基於中子和同步輻射等大科學裝置的原位動態結構表徵裝備與方法，探索並揭示了鋰電池材料構效關係的規律，在解決鋰電池儲能密度、功率密度和突破性進展等科學難題取得了進步。以通訊作者帶領團隊在《自然》等知名 SCI 期刊發表論文 500 餘篇。
目錄
序
前言
第1章 材料學及其典範改變 1
1.1 一代材料，一代產業，一個時代 1
1.2 材料學的沿革：從工程到科學 4
1.2.1 材料開發與利用的歷史 5
1.2.2 材料學的發展：科學與工程的整合 7
1.2.3 材料學底座：物質結構與性能的關聯 8
1.2.4 材料學的工程技術：製備與特性 21
1.3 材料學新典範：材料基因與大數據 29
1.3.1 材料學資料庫 30
1.3.2 材料學領域的資料探勘 31
1.3.3 材料基因科學與工程 33
1.4 材料學新典範：人工智慧材料學 36
1.4.1 人工智慧概念 37
1.4.2 人工智慧在科學領域的應用 39
1.4.3 人工智慧在材料學領域的應用 47
心智圖 52
參考文獻 52
第2章 材料微觀描述與特徵提取 56
2.1 傳統的材料微觀結構描述方法 56
2.1.1 基於原子位置的描述 57
2.1.2 基於原子間連結關係的描述 60
2.2 用於人工智慧的材料微觀結構描述與特徵提取 69
2.2.1 特徵提取的物理依據與要求 70
2.2.2 基於原子局域環境的結構描述與特徵提取 78
2.2.3 基於原子長程有序的結構描述與特徵提取 83
2.2.4 基於拓樸資料分析的結構描述與特徵擷取 90
心智圖 106
參考文獻 107
第3章 材料性質預測與反向設計 110
3.1 傳統的材料性質預測方法 111
3.1.1 材料性質預測方法的發展歷史 111
3.1.2 基於材料資料庫的高通量篩選 114
3.2 用於材料性質預測的人工智慧演算法 118
3.2.1 傳統機器學習方法 119
3.2.2 生成演算法 120
3.3 人工智慧在材料性質預測上的進展 123
3.3.1 穩定性預測 124
3.3.2 力學性質預測 126
3.3.3 能帶結構預測 129
3.3.4 拓樸性質預測 132
3.3.5 超導性能預測 134
3.4 挑戰與未來 136
3.4.1 基於大語言模型和知識圖譜的材料性質預測 137
3.4.2 微觀結構、物理規律與人工智慧的融合 138
心智圖 141
參考文獻 141
第4章 材料結構演化與動態研究 144
4.1 材料的微觀結構演化與跨尺度模擬 144
4.1.1 傳統的跨尺度模擬研究方法 145
4.1.2 人工智慧輔助材料介觀尺度計算模擬 148
4.2 基於人工智慧的材料原子間相互作用勢 149
4.2.1 力場模型建構流程 153
4.2.2 基於對稱函數的力場模型 154
4.2.3 基於核函數的力場模型 156
4.2.4 端對端的力場模型 158
4.2.5 基於大模型預訓練的力場模型 161
4.3 針對離子輸運行為的結構演化模擬 163
4.3.1 離子在溶液中的遷移 164
4.3.2 離子在固體中的遷移 165
4.4 針對材料相變過程的結構演化模擬 167
4.4.1 金屬材料相變 168
4.4.2 離子型晶體材料相變 173
4.4.3 共價型晶體材料相變 175
4.4.4 氫鍵型晶體材料相變 176
4.5 挑戰與未來 177
4.5.1 模型的精確度、信度與信賴度分析 177
4.5.2 特徵空間取樣方法 178
4.5.3 資料量與資料品質 178
4.5.4 適應學習和線上更新 179
4.5.5 多模態學習與資料融合 179
4.5.6 模型的穩健性和泛化能力 180
心智圖 181
參考文獻 181
第5章 材料結構表徵與圖譜解析 183
5.1 材料微觀結構表徵技術 183
5.1.1 材料結構的靜態特性技術 185
5.1.2 材料結構的動態表徵技術 192
5.1.3 材料結構的跨尺度表徵技術 197
5.1.4 材料表徵技術中存在的挑戰 201
5.1.5 傳統的材料表徵資料解析方法 202
5.1.6 材料解析新範式：人工智慧與大數據 203
5.2 基於人工智慧的圖譜資訊解析 207
5.2.1 X射線繞射圖解析 207
5.2.2 拉曼光譜與紅外線光譜解析 215
5.3 基於人工智慧的成像資訊解析 218
5.3.1 顯微影像降噪 218
5.3.2 掃描電子顯微鏡影像解析 219
5.3.3 透射電子顯微鏡影像解析 220
5.4 挑戰與未來 223
5.4.1 多模態表徵及其訊息的融合 223
5.4.2 跨尺度表徵及其資訊的融合 224
5.4.3 原位/工況條件下的結構演化表徵 225
心智圖 226
參考文獻 226
第6章 材料知識發現與智慧分析 229
6.1 自然語言處理技術與材料學知識發現 229
6.1.1 詞嵌入模型 230
6.1.2 預訓練語言模式 233
6.1.3 大語言模型 235
6.1.4 深度知識蒸餾 236
6.1.5 知識圖譜 237
6.2 基於詞嵌入技術的材料知識編碼 240
6.2.1 知識嵌入流程 240
6.2.2 語意間的相似性 243
6.2.3 探索材料間的潛在關聯 244
6.3 基於預訓練語言模式的材料知識挖掘 246
6.3.1 材料學領域的預訓練語言模型 246
6.3.2 模型的實體預測能力 249
6.3.3 **潛在的高性能材料 251
6.4 基於大模型和知識圖譜的材料知識生成 253
6.4.1 材料學領域大模型 253
6.4.2 隱性知識獲取與多模態知識融合 255
6.4.3 化學反應與材料合成路徑的推理預測 258
6.4.4 基於材料知識圖譜的新材料開發 260
6.5 挑戰與未來 263
6.5.1 語言模型的推理與預測能力 263
6.5.2 結構資料與科學文獻的多模態知識圖 264
6.5.3 即時調優與可控生成 264
心智圖 265
參考文獻 265
第7章 人工智慧材料學家 268
7.1 基於人工智慧的材料智造 268
7.1.1 機器人材料學家 269
7.1.2 數位孿生 276
7.2 各環節高度協同的人工智慧材料學家 278
7.2.1 基於數據的預測與決策 278
7.2.2 人工智慧輔助的高效高精度實驗操作 282
7.2.3 全流程參數最佳化 286
7.3 挑戰與未來 287
心智圖 288
參考文獻 288
