表5.3 “人工智能辅助能源材料设计”工程研究前沿中核心论文的主要产出国家

大语言模型等方法，结合材料科学、计算化学和物理学，加速能源相关材料的研发过程。其核心 目标是通过高通量筛选、属性预测、逆向设计和自主实验，开发高效、可持续、低成本的材料， 用于能源存储、能量转化、催化反应及可再生能源系统。通过人工智能方法整合实验数据、模拟 数据和公开数据库，挖掘材料结构－性能关系，可以显著缩短传统试错式研发的周期。 早期材料设计主要依赖实验试错和基础计算方法。高通量计算开始兴起时，因受限于计算资 源和数据规模而进展缓慢。随着人工智能技术的发展，支持向量机、随机森林等机器学习算法开 始用于材料属性预测，早期应用集中于以简单回归模型预测电池材料或催化剂性能。2010年后， 应运而生，将机器人与人工智能相结合，实现实验自动化。如今，大语言模型和多模态人工智能 正被用于知识提取和复杂系统优化。生成式人工智能在探索未知化学空间和可持续材料设计中展 现出巨大潜力。 结合最新研究进展，人工智能辅助能源材料设计的主要研究方向包括以下方面：① 材料属 性预测与高通量筛选描述一一利用机器学习模型，结合密度泛函理论（DFT）等高通量计算方 法，预测材料物理化学属性，筛选候选材料，可应用于电池电极材料优化、能源材料性能预测; ②生成模型与逆向设计描述一一采用对抗神经网络、扩散模型等生成模型，从目标性能反向生 成新材料结构，探索未知化学空间，可应用于新型碳捕集材料、高效光伏材料设计；③催化材 料智能设计与合成一一结合AI智能体和机器人技术，预测催化剂活性，优化合成路径并实现自 动化，可应用于燃料电池催化剂、CO2电还原催化剂、电解水材料的设计和合成。 “人工智能辅助能源材料设计”工程研究前沿中核心论文数最多的国家是美国、中国和德国