AI-driven materials design: paradigm shift from small data to big data

人工智能（AI）的崛起正推动材料科学迈入高效设计与发现的新时代, 其核心在于通过数据驱动的模型揭示材料构效关系的深层规律. 然而, 与自然语言处理、计算机视觉等领域相比, 材料数据的规模受限于实验合成表征以及高精度计算的高成本, 呈现出典型的“小数据”特征, 这为AI模型的泛化能力与预测精度带来严峻挑战. 本文系统综述了面向小样本材料数据的高效学习策略与技术路径，并介绍了课题组在该领域的研究成果: 首先, 针对材料数据的高维度、稀疏性和强关联特性, 重点探讨基于迁移学习、主动学习与针对材料的特征工程来突破小样本约束; 其次, 剖析材料数据的演进趋势, 主要聚焦高通量计算、生成模型与标准化数据库的协同发展; 最后, 展望材料大数据与AI深度融合的前沿方向, 如基于大语言模型的材料设计, 跨材料体系的预训练大模型构建. 本文重点介绍作者在小数据场景下开发的AI驱动的材料设计方法, 同时探讨材料数据与AI模型协同发展为材料科设计范式带来的转变.