清华大学王笑楠在《自然综述·材料》回顾机器学习十年如何推动化工材料从性质预测走向实验发现

清华大学新闻网11月3日报道，10月28日清华大学化学工程系副教授王笑楠以唯一作者及通讯作者身份在《自然综述·材料》（Nature Reviews Materials）发表题为“A decade of machine learning for materials development”的综述。 文章归纳三类进展：共享数据与结构表征模型拓展性质预测能力；

生成模型与主动学习推动研究从筛选候选材料转向主动引导探索； 自主实验室将预测、合成与表征纳入迭代流程，使实验反馈能修正模型与研究假设。 文章指出模型在已有数据范围内表现良好，并不意味着对陌生结构和工况同样可靠。 团队工作中，SurFF表面性质基础模型预测金属间化合物晶体的表面暴露与平衡形貌，在保持相近精度下比密度泛函理论计算约快十万倍；

合成气转化为可持续航空燃料组分的研究结合主动学习与可解释机器学习，在寻找催化剂时提炼经实验检验的设计规则； PolyRL框架用强化学习生成兼顾多项目标的候选聚合物并通过分子模拟评估性能，这些候选仍需合成与膜测试才能判断应用价值。 文章还提出应关注系统能否区分证据与推断、识别超出训练范围的条件，并记录失败实验、工况变化与时间依赖测量。