无论是在高科技、移动性、基础设施、绿色能源还是医学领域，日常生活都迫切需要先进的材料。然而，由于化学成分、结构和目标财产的复杂性，发现和探索新材料的传统方法受到了限制。此外，新材料不仅应能够实现新的应用，还应包括可持续的生产、使用和回收方式。

来自欧洲的研究人员回顾了基于物理的建模的现状，并讨论了将这些方法与人工智能相结合如何为复杂材料的设计开辟新的道路。他们在《自然计算科学》杂志上发表了他们的观点（“通过基于物理的人工智能加速复合材料的设计”）。

基于物理的方法将与人工智能相结合，为了满足技术和环境挑战的要求，必须考虑更高要求和多种材料的财产，从而使合金在成分、合成、加工和回收方面更加复杂。这些参数的变化会导致微观结构的变化，这直接影响材料的某些特性。需要了解这种复杂性，才能预测材料的结构和特性，计算材料设计方法在这方面发挥着至关重要的作用。

“我们今天设计新材料的方法完全依赖于基于物理的模拟和实验。这种方法在定量预测高维相平衡时可能会遇到一定的限制，特别是在定量预测由此产生的非平衡微观结构和财产方面。此外，许多微观结构和性能相关模型使用简化的近似值并依赖于大量的变量。然而，问题仍然存在，这些自由度是否以及如何仍然能够涵盖材料的复杂性”。科学家们解释说。

本文将基于物理的模拟（如分子动力学和从头算模拟）与基于描述符的建模和先进的人工智能方法进行了比较。虽然基于物理的模拟通常成本太高，无法预测成分复杂的材料，但人工智能（AI）的使用有几个优势。科学家们：“人工智能能够从电子、原子和连续体模拟获得的大型数据集中自动提取热力学和微观结构特征，并具有很高的预测能力。”

由于人工智能的预测能力取决于大型数据集的可用性，因此需要克服这一障碍的方法。一种可能性是使用主动学习周期，其中机器学习模型最初使用标记数据的子集进行训练。然后，标记单元对模型的预测进行筛选，该标记单元将高质量数据反馈到标记记录池中，并再次运行机器学习模型，这种循序渐进的方法产生了可用于准确预测的最终高质量数据集。

人工智能在材料科学中的应用仍有许多悬而未决的问题：如何处理稀疏和嘈杂的数据？如何考虑有趣的异常值或“不匹配”？如何实现合成或回收过程中不必要的元素侵入？然而，在设计成分复杂的合金时，人工智能将在不久的将来发挥更重要的作用，特别是随着算法的发展，以及高质量材料数据集和高性能计算资源的可用性。