Materials Generation in the Era of Artificial Intelligence: A Comprehensive Survey

材料是现代社会的基础，支撑着能源、电子、医疗、交通和基础设施等领域的进步。发现和设计具有特定性能的新材料，对于解决当前全球面临的重大挑战至关重要。近年来，随着高质量材料数据的日益丰富以及人工智能（AI）技术的快速进步，材料发现的过程得以加速，开辟了新的机遇。数据驱动的生成模型为材料设计提供了一种强大的工具，能够直接创建满足预设性能要求的新型材料。尽管相关研究层出不穷，但该领域仍缺乏及时且系统的综述。为填补这一空白，本文对人工智能驱动的材料生成领域的最新进展进行了全面概述。首先，我们整理了各种类型的材料，并阐述了晶体材料的多种表示方法。接着，我们详细总结并分类了当前基于人工智能的材料生成方法。此外，我们讨论了常用的评估指标，并汇总了开源代码和基准数据集。最后，我们提出了这一快速发展的领域中潜在的未来方向和挑战。相关资源可访问以下链接获取：https://github.com/ZhixunLEE/Awesome-AI-for-Materials-Generation。

本论文试图解决如何利用人工智能加速新材料发现的问题，特别是通过数据驱动的生成模型设计满足特定性能要求的新材料。这是一个重要且活跃的研究领域，但系统化的综述相对缺乏。

论文的关键思路是提供一个全面的框架来总结AI驱动的材料生成技术。它首先对材料类型及其表示方法进行分类，然后详细分析当前的生成模型和技术，并提出了一种新的分类法。相比现有研究，这篇论文更注重系统的整理和对未来方向的探讨，填补了领域内综述性工作的空白。

论文亮点包括：1）提供了多种晶体材料的表示方法；2）详细总结了AI驱动材料生成的常见方法和评估指标；3）列举了开源代码和基准数据集，便于后续研究者复现实验结果；4）讨论了未来可能的研究方向和挑战。代码和资源链接已公开在GitHub上，进一步推动社区合作与创新。

相关研究包括但不限于以下几篇论文：1）'Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties'；2）'Generative Models for Materials Design: A Review'；3）'Deep Learning for Materials Science: Status, Challenges, and Perspectives'；4）'Machine Learning Force Fields: Construction, Validation, and Outlook'。这些工作主要集中在机器学习模型的应用、材料性质预测以及力场建模等方面。