材料逆向设计需“主动”？InvDesFlow-AL 到底卷到什么程度

背景：新材料的发现对科技进步和解决全球性挑战至关重要，开发具备特定功能的材料逆向设计方法对可再生能源、催化、能源存储和碳捕集等领域具有重要意义。基于扩散的生成模型可直接生成满足性能约束的新材料，但现有方法成功率偏低。研究目的：中国人民大学团队提出基于主动学习策略的功能材料逆向设计框架InvDesFlow-AL，旨在高效生成稳定且具备目标性能的晶体结构。结论：InvDesFlow-AL在晶体结构预测中实现了0.0423 Å的RMSE（性能提升32.96%），成功发现159万余个热力学稳定材料，并率先发现转变温度达140 K的常压BCS超导体Li₂AuH₆及多种超过McMillan极限的液氮温区超导材料。该框架通过扩散生成模型与主动学习的深度融合，以多样性采样、期望模型变化和查询委员会策略优化生成过程，在低形成能材料生成和超导材料设计中均取得突破性成果，相比传统方法显著提升了效率和精度。