Artificial Intelligence and Generative Models for Materials Discovery -- A Review

高通量实验工具、机器学习（ML）方法和开放材料数据库正在彻底改变新材料的发现方式。我们正从过去以实验为主导的方法迅速转向以人工智能（AI）为主导的方法，实现“逆向设计”能力，即在给定所需性能的前提下发现新材料。本综述旨在探讨适用于材料发现的AI驱动生成模型的不同原理，包括可用于此目的的各种材料表示方式。我们还将重点介绍生成模型在设计新型催化剂、半导体、聚合物或晶体中的具体应用，并讨论诸如数据稀缺、计算成本、可解释性、可合成性和数据集偏差等挑战。本文也将探讨一些新兴方法，以克服这些局限性并将AI与实验流程整合，包括多模态模型、物理信息架构和闭环发现系统。本综述旨在为研究人员提供洞见，帮助他们利用AI在加速可持续性、医疗健康和能源创新所需材料发现方面的变革潜力。

论文试图解决如何利用人工智能（AI）驱动的方法加速新材料的发现，特别是在面对数据稀缺、计算成本高、可解释性差、可合成性低以及数据集偏差等挑战下，如何实现基于目标性能的'逆向设计'材料发现。这是一个新兴且快速发展的领域，具有重要的现实意义。

论文的关键思路是探讨AI驱动的生成模型在材料发现中的应用，包括不同材料表示方法、多模态模型、物理信息架构和闭环发现系统。相比现有研究，该论文系统性地总结了生成模型在催化剂、半导体、聚合物和晶体等材料设计中的应用，并提出了整合AI与实验流程的新兴方法，具有较强的综述性和前瞻性。

1. 全面分析了AI在材料发现中的不同生成模型和表示方法 2. 重点讨论了实际挑战如可合成性、数据稀缺和计算成本 3. 介绍了融合物理知识的AI架构与闭环系统，提升模型的实用性 4. 强调AI在可持续性、医疗和能源创新中的材料设计潜力

1. Deep generative models for materials discovery: A review and perspective 2. Accelerated discovery of organic battery electrolytes using robotic experimentation 3. Machine learning for molecular and materials science 4. Inverse design in materials discovery using deep learning 5. Physics-informed neural networks for material modeling