基于機器學習的材料設計專欄（特約編輯：上海交通大學 曾小勤教授 上海大學 施思齊 ）
【編者按】機器學習能夠通過算法從已有材料數據中構建影響因素與目標量之間的映射關系，進而準確揭示其隱含的材料構效關系，從而加速具備高目標性能的新材料設計與研發。隨著海量材料數據的日漸積累，利用深度學習（特別是大語言模型）加速和優化數據獲取、整理過程，并通過融合物理與化學知識，精準挖掘海量數據中具備目標屬性的新材料的構效關系，已成為現階段數據驅動材料設計的新模式。基于此，本刊特邀上海交通大學曾小勤教授和上海大學施思齊教授組織“基于機器學習的材料設計研發”專欄，邀請了數位國內知名專家、青年學者分別介紹了基于機器學習技術在鈣鈦礦材料、化學分子設計、互連材料、鈦合金、儲能材料等領域的新技術和新成果，希望為相關領域研究人員和感興趣的讀者了解該領域的前沿和發展提供參考。
[1]程晉榮,何鵬飛,李藝欣,雷詠梅.數據與模型驅動的鈣鈦礦材料智能計算框架[J].中國材料進展,2025,44(4):309-317.
http://www.classky.com/oa/DArticle.aspx?id=202412002
[2]張閆,薛德禎,辛社偉,等.機器學習輔助鈦合金設計應用進展[J].中國材料進展,2025,44(4):319-329.
http://www.classky.com/oa/DArticle.aspx?id=202501004
[3]林奕希,蔣雨橋,馮相民,等.機器學習原子間勢分子動力學模擬在電化學儲能材料研究中的應用進展[J].中國材料進展,2025,44(4):330-348.
http://www.classky.com/oa/DArticle.aspx?id=202409017
[4]閆姿霓,饒梓元,曾小勤.大語言模型在材料科學領域的研究進展[J].中國材料進展,2025,44(5):409-423.
http://www.classky.com/oa/DArticle.aspx?id=202409019
[5]王紀峰,汪瑩.生成式深度學習在目標導向分子設計中的應用進展[J].中國材料進展,2025,44(5):424-435.
http://www.classky.com/oa/DArticle.aspx?id=202411011
[6]崔國祥,李瑞,袁昌馳,等.人工智能驅動集成電路下一代互連材料設計:進展與挑戰[J].中國材料進展,2025,44(5):436-449.
http://www.classky.com/oa/DArticle.aspx?id=202409016