傳統材料研發模式主要基于實驗“試錯法”，其研發周期長、效率低，人工智能驅動的科研范式變革和新材料數字化研發模式能有效地降低研發成本，縮短研發周期。

提到工業軟件, 人們往往想到的都是基于宏觀有限元的模擬仿真軟件。然而, 很多時候, 新材料數字化研發, 僅需有限元尺度是不夠的，還需要深入到電子、原子和分子尺度, 其理論基礎主要包括量子力學和分子動力學等，我們可稱之為微介觀尺度材料計算模擬。目前，在國內，微介觀尺度材料集成計算軟件基本被某國外軟件所壟斷，盡管該軟件并不支持高通量多尺度自動化流程，但是國內大多數用戶仍使用它進行建模并開展計算，據悉目前該軟件已開始對我國一些單位禁用。

人工智能驅動的科研范式AI for Science 給新材料數字化研發帶來了新的機遇和挑戰。盡管對“彎道超車”一詞有不同的看法，就新材料研發而言，借助于不斷強大且成本不斷降低的高性能計算算力、數據傳輸能力、數據存儲能力等，通過大數據、云計算、人工智能以及日益增多的圍繞材料設計和性能預測的各種智能算法和模型，開展計算、數據、AI 和實驗緊密結合的“四位一體”的“理論設計在前，實驗驗證在后”的材料數字化研究方法、業態和模式，可變革僅基于實驗“試錯法”的傳統單一研發手段，進而有效降低成本，提高研發效率，實現對新材料研發的“彎道超車”。

▲ 高通量材料計算驅動引擎的要素整合

高通量材料計算驅動引擎有效地整合了算法、算力、數據和知識

以電極材料為例，目前鋰電池負極材料，90％以上還是石墨材料，而石墨的電池容量，目前已接近極限值。我們需要尋找下一代鋰電池負極材料。除了容量特性外，擴散勢壘、平均開路電壓、電導率、穩定性、電荷性質等，都會影響該負極材料的設計。這些負極材料的關鍵物性，大多可以直接或間接地計算出來。比如我們可以開發基于容量和擴散勢壘篩選等的工作流模板，讓這些模板從已知的晶體結構數據庫中，選出合適的候選材料進行吸附等調控操作，生成大量的候選結構，形成搜索空間，通過高通量計算驅動引擎連接超算中心，借助強大算力，對搜索空間中的候選結構按目標物性進行流水線式的自動篩選?；诘玫降睦碚撚嬎憬Y果，構建相關人工智能模型，開展實驗對接和驗證，進行理性設計，可以加快材料的研發速度，降低成本，而所付出的代價只是機時成本。

美國QuesTek 工程師采用集成計算材料工程(integrated computing materials engineering，ICME) 方法研制M54 鋼，從研發設計到美國海軍軍用飛機的應用部署，只用了6 年的時間，相較于從研發到應用平均15 年的時間，研發周期縮短了60％。他們基于該方法研究的C64 新型高性能鋼，可用于制造更耐用、更輕的變速器齒輪，增加功率密度。這種設計和商業化的成功，使它獲得了2021 年ASM 國際工程材料成就獎。

▲ “建模、計算、數據、AI”的自動流水線模式

采用如圖所示模式開展材料計算、物性提取和機器學習，能極大地提高效率，尤其是對于材料的高通量計算篩選

然而，對于企業級新材料研發，面臨著如何避免數據碎片化，整合、研發或改進新材料研發生命周期過程中的離散數據、代碼、模型和算法等，從而實現團隊共享的問題；面臨著如何將高通量計算、高性能計算、機器學習等材料信息學方法和技術更好地與實驗相結合加快新材料研發等問題。對于面向科研的材料計算，面臨著如何不需要下載、安裝、編譯軟件，不需要擔心計算集群和機時，直接采用瀏覽器開展計算，計算完畢直接形成數據庫的問題；面臨著課題團隊的機時、存儲、作業、任務、數據等的集中統一管理問題。對于這些新材料數字化研究和開發的諸多問題，我國不僅缺少相關技術和平臺，更缺乏專門的書籍進行介紹。

《高通量多尺度材料計算和機器學習》（北京：科學出版社, 2023.8）作者楊小渝研究員曾在英國劍橋大學從事博士后研究，現為中科院計算機網絡信息中心“百人計劃”A 類研究員，中國科學院大學崗位教授，擁有10 多年的高通量材料集成計算、多尺度計算模擬、材料數據庫、材料信息學等軟件和集成平臺研發經驗和成果積累。作者承擔了“十三五”國家重點研發計劃“材料基因工程重點專項”課題“高通量材料計算大數據處理技術”（2016YFB0700501），研發了高通量多尺度材料集成設計工業軟件MatCloud，并實現了開放應用，是我國在該領域的優秀科學家。

謝建新

北京科技大學教授

中國工程院院士

2023 年7 月? ?

作者于2000 年赴英國攻讀計算機及應用專業碩士和博士，2005 年博士畢業后前往英國劍橋大學地球科學系開展e-Science 博士后研究，在那里開始接觸材料計算和材料信息學，其間發表了10 余篇有關材料計算和數據基礎設施建設的論文及3 部專著。2011 年6 月美國材料基因組計劃的提出引領了新材料研發范式的變革，作者便于2012 年回國帶領團隊從事材料基因工程高通量材料計算和數據庫平臺的研發。當時高通量材料計算尚屬前沿技術，在中國科學院計算機網絡信息中心的支持下，從“0”到“1”，我們研發了當時國內首個高通量材料計算和材料數據庫云平臺MatCloud，并于2015 年上線運行(見中文核心期刊《科技導報》，2016, 34(24): 62-67)。2018 年MatCloud 成功實現了成果轉化(MatCloud+)。經過10 多年的持續研發和迭代，MatCloud 已100％商業化落地，它以高通量、多尺度、云原生、圖形化等為特點，實現了材料計算的“建?！?計算→ 數據→AI”全流程和云端自動化，基本可實現對國外同類軟件的替代。

▲ MatCloud+的核心模塊和交互

截至2023 年6 月，全球注冊用戶已突破6000，涵蓋300 多家高校、科研院所和企業，覆蓋10 多個國家和地區，已舉辦線上線下各類培訓近100場，培訓用戶數累計近3500 人次，取得了較好的社會與經濟效益，得到北京市科學技術委員會的高度關注與支持。目前，國際上真正實現了高通量多尺度材料計算的云平臺主要有美國的Mat3ra (www.mat3ra.com) 和韓國的Materials Square(www.materialssquare.com) 。作為中國高通量多尺度材料計算云平臺的卓越代表，MatCloud(www.matcloud.com.cn) 的部分功能已超越Mat3ra 和Materials Square。

MatCloud 研發得到了國家自然科學基金項目“材料基因組計劃高通量材料集成計算關鍵技術和服務平臺研究”和科技部“十三五”國家重點研發計劃“材料基因工程重點專項”課題“高通量材料計算大數據處理技術”的支持，也是“十三五”材料基因工程重點專項“材料基因工程關鍵技術與支撐平臺”的代表性成果之一，取得的一系列研究及應用成果相繼在Scientific Data(Nature子刊)、Computational Material Science(IF3.3, JCR Q1)、Nanoscale(IF 7.79，JCR Q2)、Electrochim Acta(IF 6.901, JCR Q2)、Carbon(IF 9.593, JCR Q1)、Chinese Physics B(IF1.494/JCRQ3) 等多個國際國內知名期刊發表。

← 左右滑動查看詳細信息→

為了讓從事新材料研發和創新的研究人員更加清晰地把握高通量多尺度材料計算和機器學習，作者于2016 年萌生了出版高通量材料計算專著的想法，2017年開始撰寫，歷時4 年，幾經打磨，于2021 年完成近40 萬字的初稿。2022 年獲得國家科學技術學術著作出版基金的資助，經進一步修改和完善最終定稿。（楊小渝著. 北京：科學出版社, 2023.8）一書提出了基于材料基因編碼的新材料智能設計范式，從企業級新材料研發和面向科研的材料計算視角，講述了高通量材料集成計算與新材料智能設計。

重點圍繞如何通過計算與數據的集成、計算數據與實驗數據的集成、高通量計算與多尺度模擬的集成以及數據與AI 的集成，促進基于計算、數據、AI 和實驗“四位一體”的“理論設計優先，實驗驗證在后”的新材料研發新業態、新模式和新文化。從高通量材料集成計算、多尺度材料計算模擬、材料數據庫、材料數據機器學習、新材料研發制造軟件等介紹了新材料數字化研發基本概念、方法、技術及國產的新材料研發集成設計工業軟件MatCloud+，并以一些案例介紹這些數字化研發方法和技術在重點材料行業的應用。

《高通量多尺度材料計算和機器學習》具有物理、材料、化學和計算機等多學科交叉的鮮明特點。作者從基本概念和基本理念講起，提出了基于材料基因編碼理念的材料智能設計新范式，闡述了高通量計算、高通量材料計算、高通量計算環境、高通量材料計算驅動引擎、材料基因數據庫、材料基因編碼挖掘、材料設計軟件等內容，深入淺出，適合于有意向開展或了解高通量多尺度材料計算、材料數據和機器學習的高校、科研院所和企業等層面的讀者群體。

張統一

中國科學院院士

2023 年7 月18 日

本書的出版，得到了國家科學技術學術著作出版基金(2022) 的資助，也得到了國家自然科學基金面上項目(2014)、國家自然科學基金重點項目(2015)、“十三五”國家重點研發計劃“材料基因工程重點專項”(2016，2017，2018)、云南省“稀貴金屬材料基因工程”重大科技專項(2018)、國家自然科學基金專項“面向2035 的材料設計制造工業軟件戰略研究”(2021)的支持。

本文摘編自《高通量多尺度材料計算和機器學習》（楊小渝著. 北京：科學出版社, 2023.8）一書“前言”“序一”“序二”，有刪減修改，標題為編者所加。

（本文編輯：劉四旦）