自主生成新型材料，科學家基於貝葉斯優化框架實現含鎵材料反向設計，優化結果具有100%獨特性和新穎性
貝葉斯優化在材料設計中的應用
科學家利用貝葉斯優化（Bayesian Optimization）框架，通過高斯過程構建代理模型，平衡「探索未知空間」與「利用已知優勢區域」，僅需少量實驗即可收斂至最優解。此方法在化學反應優化中展現高效與一致性，並廣泛應用於材料設計領域。
含鎵材料的反向設計與性能優化
研究以鎵為基礎元素，針對其在微波電路、高速開關及紅外電路中已證實的高效性，利用國際材料庫中數千種已知半導體數據進行訓練。系統採用貝葉斯優化算法，持續尋找具有潛力的材料組合，實現對電子材料的高效設計與優化。
生成式AI與材料發現的結合
- 生成式AI模型被開發用於逆向設計，突破對已知數據庫的依賴，探索未知材料空間。
- 在設計過程中，系統綜合優化材料的多種性能，如導電性、穩定性與成本。
- 大語言模型正加速從知識挖掘到智能設計的全鏈條材料研發過程。
相關研究與技術發展
多項研究指出，AI驅動的材料發現正透過生成式模型與晶體逆向設計技術，推動新材料的快速開發。例如，美國麻省理工學院開發的SCIGEN模型，能讓主流生成式材料模型遵循特定設計規則，創造具有前景的量子材料。
此外，AI4S（人工智能驅動的科學研究）正成為材料科學領域的重要趨勢，涵蓋新藥、新材料與工業仿真的多方面應用。