本文总结了2023-2024年间AI在材料化学领域的前沿研究进展，涵盖了机器学习在合金设计、数据集构建、光谱预测、电池寿命预测、大语言模型、催化剂设计、光电探测、密度泛函理论、逆合成路线、闪烁体开发、吸附预测、材料模型构建等多个方向的应用。这些研究成果不仅展示了AI在加速材料发现和性能优化方面的巨大潜力，也为科研人员提供了新的工具和思路，预示着材料科学研究进入智能化时代。

关键要点

• 🔥 机器学习助力新材料设计：北京科技大学利用机器学习优化耐火高熵合金，实现高温强度和室温延展性的突破；Meta发布开源数据集OMat24，包含1.1亿DFT计算结果，为材料研究提供数据基础。

• ⚡️ AI模型提升材料性能预测：日本东北大学和MIT联合开发的GNNOpt模型，成功识别出多种高效太阳能电池和量子材料；清华大学团队提出通用材料模型DeepH，实现材料结构和性质的超精准预测；武汉理工大学基于集成学习提出简化电化学模型，精准预测锂电池性能。

• 🧪 AI加速催化剂和吸附材料研发：上海交大团队基于AutoML探索催化剂表面反应物化学吸附能，加速催化剂设计；清华大学发布Uni-MOF模型，预测金属有机框架材料的吸附性能；美国阿贡国家实验室发布生成式AI框架，快速生成碳捕捉候选材料。

• 🔬 AI赋能材料结构分析与表征：复旦大学团队集成DNN与纳米薄膜技术，开发三维结构光电探测器；中山大学开发SEN机器学习模型，高精度预测材料性能；MIT利用深度学习解决无损检测难题，实现材料内部结构的观察。

• 💡 AI模型助力材料生成与逆合成：Meta FAIR 实验室发布材料生成模型FlowLLM，高效生成稳定材料；山东大学开发RetroExplainer，可解释深度学习算法，识别有机物的逆合成路线；清华大学首创全前向智能光计算训练架构，推动光芯片发展。