除了近年大火的教育、醫療、制造業，人工智能（AI）還能“+”些什么?近日，北京化工研究院副院長郭子芳，針對自己所處的專業領域對“AI+新材料研發”進行了深度解碼。

1.AI能做什么？“預測性設計”“精準創制”

AI在為傳統行業帶來突破性變革的同時，也正在重構科學研究的路徑。在郭子芳看來，AI不是單純的顛覆者，同時也是賦能者。

“2024年諾貝爾化學獎與物理學獎均花落AI相關研究項目。這一標志性事件不僅彰顯了AI技術的成熟度，更預示著它正以革新之勢重塑科學研究的固有范式。”郭子芳表示，當前在化工與材料研發領域，有不少企業已敏銳捕捉到這一技術變革的浪潮，紛紛借助AI技術賦能科研開發，力求推動行業從傳統模式向“預測性設計”和“精準創制”的智能化方向邁進。

比如，巴斯夫引入高性能超級計算機Quriosity，將AI融入分子與化合物模擬計算流程。這一舉措大幅提升了計算效率，能快速篩選聚合物結構，加速新型分子和化合物的開發進程。曾經需耗時一年的計算任務，如今僅需數天即可完成，而且還能挖掘出傳統方法難以察覺的潛在關聯性，為研發開辟新思路。

陶氏化學與微軟達成合作，將Azure AI和機器學習技術深度整合到聚氨酯等材料研發中。其構建的AI模型能在幾秒內對數百萬種配方組合進行分析篩選，并給出極具針對性的優化建議。原本需4～6個月的實驗室探索工作，現在僅需30秒，大大縮短了新材料差異化解決方案的上市時間。

萬華化學借助AI技術在催化劑篩選環節實現了重大突破。面對14000多種備選方案，AI算法迅速篩選出156種具有潛力的選項，隨后進一步優化至4種，精準推薦分子合成實驗，讓科研效率得到質的飛躍。

寧德時代則另辟蹊徑，將材料機理、大數據分析與AI算法有機結合，加速電解液、正極、包覆等電池材料的開發。這種創新模式使研發周期和研發成本均減少30%。

郭子芳認為，從上述案例可以看出，AI技術與多學科知識的深度融合，能在海量方案中快速篩選出可行選項并進一步優化，顯著縮短實驗和研發周期。同時，它還能更加精準地實現材料設計、性能預測和工藝優化，為研發決策提供科學可靠的依據，加速新材料的發現與應用，為創新發展注入強勁動力。

2.AI應用有哪些挑戰？數據、算法和模型、人才

盡管AI技術在化工材料研發領域前景廣闊，但在實際應用過程中仍面臨諸多挑戰。郭子芳表示，挑戰主要集中在三個層面。

一是數據層面，主要面臨數據稀缺、異構化、質量缺陷等困境。

“目前，大量有價值的有效數據分散存儲于企業內部，且多以非結構化形式存在。這使得數據的流通與整合困難重重。尤其在新型材料研發方面，由于缺乏歷史數據支撐，AI技術面臨嚴重的‘冷啟動’難題。”郭子芳說。

據了解，在新材料設計過程中，需融合多種不同類型數據，如分子結構(簡化分子線性輸入規范)、光譜數據(紅外、拉曼)及工藝參數(溫度、壓力)等。同時，還需實現從微觀數據到宏觀性能的跨尺度數據關聯，這對數據處理技術與整合方法提出了極高要求。然而，不同機構在材料成分標注(如質量分數與摩爾分數混用)、實驗條件記錄等方面缺乏統一規范，導致數據融合與模型訓練效率低下。

此外，實驗過程中不可避免會產生各種誤差，如設備測量誤差、批次誤差等，但不同實驗室對同一現象的定義存在較大差異，導致數據標注的一致性難以保障，讓數據的可靠性與可用性大打折扣。質量缺陷還體現在數據的不均衡性上——在化工材料研發數據中，某些性能優良或特殊的材料數據占比極少，這使得模型在訓練時難以充分學習少數類數據，從而影響對稀有但重要材料特性的預測和分析。

二是算法和模型層面，面臨模型可解釋性矛盾、多尺度建模時空鴻溝、小樣本學習瓶頸等挑戰。

深度神經網絡在材料性能預測方面雖能達到較高的準確率，但其內部物化機制的解釋度很低，形成了典型的“黑箱模型困境”。究其原因，現有AI模型多以數據驅動為主，缺乏對質量守恒、熱力學定律等基礎物理規律的有效嵌入，導致預測結果可能與科學常識相悖。因此，如何在保證模型復雜度的同時，提高其物理可解釋性，成為亟待解決的關鍵難題。

材料研發需跨越從飛秒級分子動力學到年尺度老化實驗的12個數量級的時間維度，同時關聯量子計算與反應器級的空間特征。盡管目前有一些模型框架嘗試通過多尺度理論建模來縮小這一鴻溝，但在實際應用中仍受到計算資源與算法效率的雙重制約。

“在新材料研發場景中，可用數據量有限，通常小于100個樣本數量，這使得傳統模型的泛化誤差較大。對于未經驗證的體系，零樣本探索的預測失效率更高。雖然遷移學習等技術為解決這一問題提供了思路，但數據噪聲與領域差異仍顯著影響著模型的遷移效果。”郭子芳說。

三是在人才層面，跨學科知識融合不足、人才培養體系不完善、人才吸引力和留存問題不容忽視。

化工材料研發涉及化學、物理等多學科知識，而AI技術則需要計算機科學、數學、統計學等領域的專業知識。“兩種知識體系之間存在較大差異，導致既懂化工材料又精通AI技術的復合型人才極度稀缺。”郭子芳表示，AI算法專家與化工材料領域專家之間存在明顯的知識壁壘，雙方溝通協作困難，也阻礙了算法模型與化工材料研發的深度融合。

當前許多從事AI技術的人才缺乏化工材料研發的實際項目經驗，對研發流程、需求和痛點了解不夠深入。同時，化工材料AI研發領域的實踐平臺和項目剛起步，人才在實踐中積累的經驗、提升的能力還不夠，也在一定程度上形成制約。

此外，AI領域高端人才競爭激烈，與互聯網、金融等熱門行業相比，化工材料行業因研發環境相對艱苦、待遇水平不高等因素，在吸引和留住人才方面也面臨較大壓力。

3.如何加速AI落地應用？從三個關鍵層面著手

針對上述三個關鍵層面的挑戰，郭子芳提出，應多措并舉，加速AI技術在化工材料研發中的落地應用。

首先，在數據層面，加強整合與共享、建立和完善數據標準化、提升數據質量、挖掘數據價值成為應對之策。

郭子芳建議，建立企業內部統一的數據管理平臺，將分散的數據資源進行有效整合，打破數據孤島，實現數據的集中存儲與共享。同時，積極與外部科研機構、高校開展合作，建立數據共享機制，廣泛獲取更多維度的外部數據，豐富數據來源，為AI模型訓練提供充足數據支持。

“為提升數據的可用性和價值，還應制定涵蓋材料成分標注、實驗條件記錄等方面的統一數據標準和規范，確保不同來源的數據具有一致性和可比性，便于后續的數據融合與模型訓練。還應構建全面的數據質量評估體系，對數據的準確性、完整性、一致性等進行嚴格評估與監控。此外，建議加強數據清洗和預處理工作，去除數據中的噪聲和錯誤數據。同時，優化實驗設計和操作流程，從源頭上減少誤差，保障數據質量。”郭子芳建議。

還可利用數據挖掘技術，從海量歷史數據中挖掘潛在的規律和知識，為新材料研發提供有價值的參考。通過數據分析預測新的市場需求和研發方向，為企業的戰略決策提供支撐，實現數據價值最大化。

其次，在算法和模型層面，應增強模型可解釋性，多尺度優化建模，突破小樣本學習技術。

“建議研發將物理規律、化學原理等有效嵌入其中的AI模型，使模型的預測結果具有科學依據且可解釋。同時，加強對模型的驗證與評估，確保其可靠性和準確性。”郭子芳表示，還可開展多尺度建模技術研究，建立從微觀到宏觀的跨尺度模型，實現不同尺度數據的融合與分析。通過優化模型的算法和計算方法，可提高計算效率和精度，降低誤差累積，提升模型在化工材料研發中的實用性和可靠性。

此外，可積極探索適合小樣本數據的學習方法，如遷移學習、元學習等，提高模型在小樣本數據下的泛化能力和預測性能。加強數據增強技術研究，擴充小樣本數據集，提升模型訓練效果，有效解決小樣本數據帶來的挑戰。

再次，在人才層面，建設高效的人才培養體系、實現跨學科融合培養是重中之重。

在跨學科人才培養體系方面，要加強化工材料專業與計算機科學、數學、統計學等專業的交叉融合，培養既懂化工材料又精通AI的復合型人才；鼓勵員工積極參與跨學科的學習和培訓，提升綜合素質和跨學科能力。此外，應當加強高校與企業的合作，建立實習基地和實踐平臺，為高校學生提供更多接觸實際項目的機會，培養學生的實踐能力和創新意識。同時，加強企業內部人才培養，通過培訓、項目實踐等方式，提升員工的AI技術水平和應用能力。

“當然，還要制定具有競爭力的人才政策，提高化工材料行業對人才的吸引力，激發人才創新活力，增強人才的歸屬感和忠誠度，打造一支穩定、高素質的人才隊伍。”郭子芳總結說。

轉載自：化工好料到

來源：中國化工信息周刊