本书系统阐述了人工智能（AI）驱动材料学研究范式的深刻变革。内容贯穿AI赋能材料研发的全链条，涵盖从微观结构特征提取、性质预测与反向设计，到动态演化模拟、智能表征解析及知识发现等核心环节，并前瞻性展望了“人工智能材料学家”这一终极图景。全书通过对比“人的研究方式”与“AI的研究方式”，为读者构建起一个从理论基础到前沿应用的完整知识体系。
更多科学出版社服务，请扫码获取。
1985年获北大化学系学士
1988年获中科院福建物构所硕士（师从梁敬魁先生）
1994年获英国Strathclyde大学博士(获最佳博士论文奖)
1994-1996年瑞士ETH博士后1996.09-1999.09 美国GE(通用电气)分子光电子公司 高级科学家
1999.09-2002.09 美国JDS Uniphase公司 高级科学家
2002.09-2011.09 Newstream Tech.Ltd公司 首席科学家
2011.09-至今 北京大学深圳研究生院新材料学院 创院院长
2015.10-至今 电动汽车动力电池与材料国家级国际联合研究中心 主任
2017.01-至今 广东省新能源材料设计与计算重点实验室 主任
2019.03-至今 北京大学 讲席教授
2020.07-至今 北京大学深圳研究生院 副院长已发表包括2篇《自然.纳米技术》在内的SCI代表性论文250余篇，其中影响因子10及以上和自然指数论文120余篇，3项国际发明专利和近80项国内专利申请，授权发明专利27项。2019年起任中国化学会下《结构化学》杂志执行主编。
2021年起任中国化学会下《化学进展》杂志副主编。
2020年起爱思唯尔下《J. Mater. Inf.》杂志副主编。
目录
序
前言
第1章 材料学及其范式变革 1
1.1 一代材料，一代产业，一个时代 1
1.2 材料学的沿革：从工程到科学 4
1.2.1 材料开发与利用的历史 5
1.2.2 材料学的发展：科学与工程的融合 7
1.2.3 材料学底座：物质结构与性能的关联 8
1.2.4 材料学的工程技术：制备与表征 21
1.3 材料学新范式：材料基因与大数据 29
1.3.1 材料学数据库 30
1.3.2 材料学领域的数据挖掘 31
1.3.3 材料基因科学与工程 33
1.4 材料学新范式：人工智能材料学 36
1.4.1 人工智能概念 37
1.4.2 人工智能在科学领域中的应用 39
1.4.3 人工智能在材料学领域中的应用 47
思维导图 52
参考文献 52
第2章 材料微观描述与特征提取 56
2.1 传统的材料微观结构描述方法 56
2.1.1 基于原子位置的描述 57
2.1.2 基于原子间连接关系的描述 60
2.2 用于人工智能的材料微观结构描述与特征提取 69
2.2.1 特征提取的物理依据与要求 70
2.2.2 基于原子局域环境的结构描述与特征提取 78
2.2.3 基于原子长程有序的结构描述与特征提取 83
2.2.4 基于拓扑数据分析的结构描述与特征提取 90
思维导图 106
参考文献 107
第3章 材料性质预测与反向设计 110
3.1 传统的材料性质预测方法 111
3.1.1 材料性质预测方法的发展历史 111
3.1.2 基于材料数据库的高通量筛选 114
3.2 用于材料性质预测的人工智能算法 118
3.2.1 传统机器学习方法 119
3.2.2 生成算法 120
3.3 人工智能在材料性质预测上取得的进展 123
3.3.1 稳定性预测 124
3.3.2 力学性质预测 126
3.3.3 能带结构预测 129
3.3.4 拓扑性质预测 132
3.3.5 超导性能预测 134
3.4 挑战与未来 136
3.4.1 基于大语言模型和知识图谱的材料性质预测 137
3.4.2 微观结构、物理规律与人工智能的融合 138
思维导图 141
参考文献 141
第4章 材料结构演化与动态研究 144
4.1 材料的微观结构演化与跨尺度模拟 144
4.1.1 传统的跨尺度模拟研究方法 145
4.1.2 人工智能辅助材料介观尺度计算模拟 148
4.2 基于人工智能的材料原子间相互作用势 149
4.2.1 力场模型构建流程 153
4.2.2 基于对称函数的力场模型 154
4.2.3 基于核函数的力场模型 156
4.2.4 端对端的力场模型 158
4.2.5 基于大模型预训练的力场模型 161
4.3 针对离子输运行为的结构演化模拟 163
4.3.1 离子在溶液中的迁移 164
4.3.2 离子在固体中的迁移 165
4.4 针对材料相变过程的结构演化模拟 167
4.4.1 金属材料相变 168
4.4.2 离子型晶体材料相变 173
4.4.3 共价型晶体材料相变 175
4.4.4 氢键型晶体材料相变 176
4.5 挑战与未来 177
4.5.1 模型的精度、可靠性和置信度分析 177
4.5.2 特征空间采样方法 178
4.5.3 数据量与数据质量 178
4.5.4 适应学习和在线更新 179
4.5.5 多模态学习和数据融合 179
4.5.6 模型的鲁棒性和泛化能力 180
思维导图 181
参考文献 181
第5章 材料结构表征与图谱解析 183
5.1 材料微观结构表征技术 183
5.1.1 材料结构的静态表征技术 185
5.1.2 材料结构的动态表征技术 192
5.1.3 材料结构的跨尺度表征技术 197
5.1.4 材料表征技术中存在的挑战 201
5.1.5 传统的材料表征数据解析方法 202
5.1.6 材料解析新范式：人工智能与大数据 203
5.2 基于人工智能的图谱信息解析 207
5.2.1 X射线衍射图解析 207
5.2.2 拉曼光谱与红外光谱解析 215
5.3 基于人工智能的成像信息解析 218
5.3.1 显微图像降噪 218
5.3.2 扫描电子显微镜图像解析 219
5.3.3 透射电子显微镜图像解析 220
5.4 挑战与未来 223
5.4.1 多模态表征及其信息的融合 223
5.4.2 跨尺度表征及其信息的融合 224
5.4.3 原位/工况条件下的结构演化表征 225
思维导图 226
参考文献 226
第6章 材料知识发现与智能分析 229
6.1 自然语言处理技术与材料学知识发现 229
6.1.1 词嵌入模型 230
6.1.2 预训练语言模型 233
6.1.3 大语言模型 235
6.1.4 深度知识蒸馏 236
6.1.5 知识图谱 237
6.2 基于词嵌入技术的材料知识编码 240
6.2.1 知识嵌入流程 240
6.2.2 语义间的相似性 243
6.2.3 探索材料间的潜在关联 244
6.3 基于预训练语言模型的材料知识挖掘 246
6.3.1 材料学领域的预训练语言模型 246
6.3.2 模型的实体预测能力 249
6.3.3 推荐潜在的高性能材料 251
6.4 基于大模型和知识图谱的材料知识生成 253
6.4.1 材料学领域大模型 253
6.4.2 隐性知识获取与多模态知识融合 255
6.4.3 化学反应与材料合成路径的推理预测 258
6.4.4 基于材料知识图谱的新材料开发 260
6.5 挑战与未来 263
6.5.1 语言模型的推理与预测能力 263
6.5.2 结构数据与科学文献的多模态知识图谱 264
6.5.3 即时调优与可控生成 264
思维导图 265
参考文献 265
第7章 人工智能材料学家 268
7.1 基于人工智能的材料智造 268
7.1.1 机器人材料学家 269
7.1.2 数字孪生 276
7.2 各环节高度协同的人工智能材料学家 278
7.2.1 基于数据的预测与决策 278
7.2.2 人工智能辅助的高效高精度实验操作 282
7.2.3 全流程参数优化 286
7.3 挑战与未来 287
思维导图 288
参考文献 288
书单推荐
