上海交通大学人工智能与微结构实验室李金金教授和黄富强教授团队研发出全新 AI 材料设计模型 CGformer，成功突破传统晶体图神经网络局限。 人工智能正深刻重塑材料科学研发范式，在加速新材料发现与性能优化中展现出突破性价值。通过高通量计算与机器学习的深度融合，传统「试错法」存 在的实验周期长、资源消耗大等痛点被有效破解，材料探索进入到「计算驱动-实验验证」的高效迭代阶段。然而随着人类技术和生活方式的革新，新能 源、航空航天等领域对新材料的性能需求日益严苛，传统机器学习方法的局限性逐渐凸显，尤其是在高熵材料研发领域。 所谓「高熵」材料，是一类由多主元元素混合制备的新型材料。高熵材料通过多主元协同作用显著提升原子排列的构型熵（即无序性），从而赋予其相较 传统材料更优异的力学、耐高温、耐腐蚀等综合性能，在能源存储、航空航天、极端环境装备等领域具有重要的应用潜力。 此前方法如 Crystal graph convolutional neural networks（CGCNN）、Atomistic line graph neural network（ALIGNN） 等人工智能模型均存在架构上的缺 陷：受限于局部信息交 ...

研究突破 - 昆明理工大学材料科学与工程学院团队提出连续迁移机器学习框架 成功解决小数据集下材料多性能预测技术瓶颈 [1] - 该框架基于海量材料形成能数据训练基础模型 通过迁移学习依次预测材料稳定性、带隙、体积模量等关键性能 [1] - 在仅51条数据的剪切模量预测任务中 通过二次迁移使小数据集预测可靠性显著提升 [1] 应用成果 - 从18000余种候选材料中快速筛选出54种兼具高稳定性与优异延展性的无机双钙钛矿涂层材料 [2] - 六氟合铱酸铯铜材料表现突出 带隙值适配光伏应用 剪切模量与体积模量比值显示高延展性 [2] - 研究成果为钙钛矿太阳能电池和光催化领域提供候选材料库 [2] 技术价值 - 迁移学习框架为材料多性能协同优化提供普适性解决方案 破解数据少任务多的材料研发难题 [2] - 该成果是昆明理工大学在材料信息学领域的重要进展 依托金属先进凝固成形及装备技术国家地方联合工程研究中心完成 [2]