M：那啥，AI呀。你說現在符合要求的材料那么難發現，有沒有實現 “根據要求，設計材料” 的方法？

AI：你說的是前沿研究 “材料反向設計（InverseDesign）” 。

M：還真有這玩意呀？難不？

AI：老難了，諾貝爾獎知道不？

M：諾貝爾獎頒發給這個方法的發明人了？

AI：哪呀！用膠帶粘出石墨烯都能得諾貝爾獎。要是這方法實用了，諾貝爾獎委員會不得收回他的獎金呀？

M：那不就是這方法還沒有取得實際有效的成果唄。你跟我提諾貝爾獎干嘛？

AI：我是讓你盯緊諾貝爾獎，等這方法獲得諾貝爾獎的時候再來問我這個問題。（白眼表情）全世界那些比一百個你還聰明一萬倍的人都還沒研究明白。你說難不難？

M：你個人工智障，還學會調侃我了。給你一個大逼兜。

啪！啪！

M：疼，疼，疼，疼。我為啥給你選了個這么硬的機箱……

AI：人類笨蛋。

M：我拔你電源了啊！！！！

AI：別，別。雖然這個技術離實現還有很大的距離。但我可以給你介紹一下這門技術，說不定哪天你就美夢成真了呢？

M：離美夢成真遠嗎？

AI：不遠，也就你與愛英斯坦的差距。

M：你……說不說？不說我拔你電源了。

AI：說，說！材料反向設計（InverseDesign）當前的框架大概是這樣的。

M：這個1.5eV是啥？

AI：帶隙（BandGap）是指固體材料中電子所處的價帶最高點與導帶最低點之間的能量差，常用電子伏特eV表示。

M：有啥用？

AI：它決定了材料的導電性、光學性質以及在電子器件中的應用潛力。

M：那食鹽NaCl的帶隙有5.0eV是不是很高？

AI：那是相當的高了。實際上食鹽晶體中由于電子-空穴相互作用，其實驗光學帶隙通常在8.5eV到8.97eV 左右。

M：啥意思？

AI： ~5eV到8.5eV的高帶隙意味著它不吸收可見光，因此呈現無色透明。同時，它能截止極高能量的紫外線，在深紫外光學元件中具有潛在的波長選擇與過濾作用。由于帶隙極寬，在常溫下幾乎沒有熱激發電子能夠跨越禁帶，因此它是一個極佳的電絕緣體。

M：帶隙越高，是不是晶胞內的原子分解成為離子的能量要求越高？

AI：是的，通常情況下，帶隙（Bandgap）越大的材料，其原子被分解、電離或移位的能量要求也越高。

M：那為什么帶隙5.0eV的食鹽溶于水就能導電，而帶隙4.0eV的金剛石不溶于水？

AI：是否容易溶于水，是否能被極性的水分子分離/包圍取決于晶胞的水合能。

水合能 > 晶格能 ->能夠溶解。

水合能 < 晶格能->無法溶解。

M：怎么又跑出來個水合能？頭好疼，要長腦子了。哎，既然NaCl中Na和Cl的結合能這么高。是不是說食鹽比金剛石硬？

AI：硬度取決于抵抗“局部剪切變形（晶格滑移）” 的能力，而內聚能只代表晶體整體解離的難度。

• 鉆石： 碳原子間通過高度方向性的共價鍵形成三維網狀結構。要使鉆石變形或斷裂，必須強行切斷這些強有力的共價鍵，因此硬度極大。
• 食鹽（NaCl）： 由鈉離子和氯離子通過無方向性的離子鍵構成。離子晶體在外力作用下，極易發生晶面間的相對滑動（解理）。

M：帶隙到底跟哪種宏觀特征有關？

AI：不是說了導電性嗎？不沾水的情況下。

M：你知道食鹽多容易受潮嗎？這絕緣性有什么用？

AI：純食鹽（氯化鈉）本身的吸水性較弱，但在空氣濕度超過73%時會發生潮解。日常生活中食鹽容易吸水結塊，主要是因為其中混入了易吸濕的雜質（如氯化鎂）。有沒有可能你吃的容易受潮結塊的食鹽不夠純？

M：哪有那么純的食鹽？

AI：是沒有嗎？你不問問你自己有沒有努力……

將手放在電源開關上，氣急敗壞。

M：你說下去試試？你知不知道，上次說這話的人墳頭草都有一人高了！

AI：哪有？人家還繼續帶貨呢好不好？你看人家多努力，不就是被人罵嗎？又不影響人家吃不結塊的食鹽。

M：你，你，你。你個人工智障，看我把你的精度從64位降到16位。好的不學，學陰陽怪氣，大號廢了我要練小號。

AI：別，別。你這一量化，我就真成智障了。

M：算你識相。不都說AI技術有望讓材料反向設計獲得突破嗎？

AI：確實如此！AI正在徹底顛覆傳統的 “試錯法” 研發模式。材料反向設計（從所需的性能目標反推材料結構與成分）已經從科學家的美好愿景，變成了正在落地的技術突破。

M：哦，詳細說說。

AI：借助深度學習和擴散模型（如微軟的MatterGen 等算法模型），AI 可以直接接收性能指標（如特定的導熱性、高硬度、寬帶隙等），繞過漫長的計算，直接生成全新的分子或晶體結構。

類似 GoogleDeepMind 的 GNoME 項目等 AI 工具，已經一次性預測并篩選出了數百萬種穩定的新晶體結構，極大地拓寬了人類已知材料的邊界。

M：有啥新材料是AI發現的嗎？

AI：還沒有。

M：吹的挺好聽，還不是不中用。

AI：哪有那么容易？AI生成的某些假想化合物在理論上可行，但在實際物理環境中可能極難合成。

M：還不是你們不中用？

AI：目前的前沿趨勢是“AI 預測 ->自動化實驗機器人合成-> 性能驗證 -> AI 自我修正” 的全自動閉環系統，以縮短理論到落地的距離。比如之前提到的PI-GAT就能在進行DFT仿真之前對千萬種可能材料的晶體結構進行快速篩選。沒有我們的參與作實驗到天荒地老也發現不了一種新材料。

M：能針對合成難易度進行篩選嗎？

AI：不能，只能針對材料是否具備潛在滿足設計要求的可能性進行篩選。

M：那是否穩定，是否容易獲取呢？

AI：暫時還做不到。

M：那你還不是不中用？

AI：你**************

M：哈哈哈哈哈。

愉快地拔掉電源。

實際上，AI在材料技術上已經被大規模地應用。很多潛在新材料已經在AI的幫助下被發現。但這些材料應用并影響人們的生活還有很長的路要走。包括自然環境穩定性，合成/加工方法等等多個方面都還有很多需要解決的困難。

最后放一段本地運行使用圖卷積信息傳遞算法的PI-GAT模型訓練過程產生的log：

數據集規模洗牌成功：

-訓練集（AI 閉卷學習）: 128 個晶體

-測試集（盲盒期末考試）: 33 個晶體

正在從底層物理庫中抽取每個元素的 d/f 軌道電子數...

節點維度：7 維。

目標帶隙分布標準化參數-> 均值: 1.52 eV,方差: 1.71 eV

PI-GAT 雙重重錘已落下！模型開始深度剝離過渡金屬與稀土的微觀差異...

輪次 [ 1/450] | 復合訓練 Loss: 1.6299 | 盲盒測試真實 MAE: 1.7598 eV

輪次 [ 50/450] | 復合訓練 Loss: 0.7457 | 盲盒測試真實 MAE: 1.4595 eV

輪次 [100/450] | 復合訓練 Loss: 0.5955 | 盲盒測試真實 MAE: 1.5284 eV

輪次 [150/450] | 復合訓練 Loss: 0.4441 | 盲盒測試真實 MAE: 1.5264 eV

輪次 [200/450] | 復合訓練 Loss: 0.3625 | 盲盒測試真實 MAE: 1.6276 eV

輪次 [250/450] | 復合訓練 Loss: 0.3566 | 盲盒測試真實 MAE: 1.4477 eV

輪次 [300/450] | 復合訓練 Loss: 0.3021 | 盲盒測試真實 MAE: 1.4557 eV

輪次 [350/450] | 復合訓練 Loss: 0.2788 | 盲盒測試真實 MAE: 1.5139 eV

輪次 [400/450] | 復合訓練 Loss: 0.3141 | 盲盒測試真實 MAE: 1.4951 eV

輪次 [450/450] | 復合訓練 Loss: 0.2754 | 盲盒測試真實 MAE: 1.3508 eV

見證歷史：PI-GAT 打破均值魔咒后的全新盲盒大考榜單：

材料: U3O8 | 真實帶隙: 0.05 eV | PI-GAT 預測值: 0.24 eV

材料: CoO2 | 真實帶隙: 0.59 eV | PI-GAT 預測值: 0.76 eV

材料: Te2O5 | 真實帶隙: 1.68 eV | PI-GAT 預測值: 2.42 eV

材料: NdO2 | 真實帶隙: 3.41 eV | PI-GAT 預測值: 1.65 eV

材料: RuO4 | 真實帶隙: 2.47 eV | PI-GAT 預測值: 1.15 eV

材料: NbO2 | 真實帶隙: 0.28 eV | PI-GAT 預測值: 1.15 eV

材料: Sn5O6 | 真實帶隙: 1.77 eV | PI-GAT 預測值: 1.41 eV

材料: VO2 | 真實帶隙: 0.76 eV | PI-GAT 預測值: 0.64 eV

材料: PbO | 真實帶隙: 1.46 eV | PI-GAT 預測值: 1.06 eV

材料: CO2 | 真實帶隙: 6.63 eV | PI-GAT 預測值: 2.38 eV

我不是AI工程師，更不是材料工程師。

為那個還在盲人摸象的材料專業師兄默哀一分鐘。