核心要点
性质预测：用机器学习（常配 GNN）从晶体结构/成分预测能带、稳定性、强度等，比第一性原理计算快几个量级。
结构生成：用生成模型从头设计满足目标性质的候选晶体或成分，扩大搜索空间。
主动学习闭环：模型挑选最有信息量的候选，交给 DFT 或实验验证，结果回流再训练，迭代加速。
价值在于把大海捞针式的试错，变成有指导的高效筛选，缩短研发周期。
标准回答
核心作用
材料发现传统上靠经验试错或昂贵的第一性原理计算（如 DFT），周期长。AI 把它变成数据驱动的高效筛选。
- 性质预测：用机器学习模型（晶体常用图神经网络，把原子作节点、近邻作边）从结构或成分快速预测形成能、稳定性、带隙、力学等性质，速度比 DFT 快数个量级，可对海量候选先行打分。
- 候选生成：用生成模型设计新的晶体结构或合金成分，主动探索未被覆盖的材料空间，而非只在已知库里枚举。
- 主动学习闭环：这是关键范式。模型不确定性最高、最有信息量的候选被优先送去 DFT 计算或实验验证，新数据回流再训练，形成「预测-验证-再训练」的闭环，用最少验证成本最快逼近目标材料。
总结
AI 不取代第一性原理计算与实验，而是充当高速筛选器与决策器，把研发从盲目试错转为有指导的迭代，显著缩短发现周期。
常见误区
⚠️ 常见踩坑
别把 AI 当成替代 DFT 和实验的「终极预言机」：它是廉价的快速筛选器，最终稳定性与可合成性仍需第一性原理或实验验证；脱离主动学习闭环、只做一次性预测，难以应对分布外的新材料空间。
追问
追问 1：为什么材料发现特别强调主动学习闭环？
因为高质量标签（DFT 或实验结果）获取昂贵，盲目大量验证不现实。主动学习让模型基于不确定性或预期收益挑选最有信息量的少量候选去验证，把有限的算力/实验预算花在刀刃上；新结果回流再训练后，模型在目标区域迅速变准，从而以最小验证成本最快收敛到优质材料。
追问 2：晶体材料为什么常用图神经网络建模？
晶体由原子及其近邻连接构成，天然是图结构：原子为节点、近邻关系为边。GNN 通过消息传递聚合局部化学环境，能学到与排列无关、对平移旋转鲁棒的表示，适合预测依赖局部成键的性质。相比手工描述符，GNN 端到端学习表征，泛化更好，是材料性质预测的主流选择。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。