在中国科学院大学的本科交叉课程学习过程中，学生们尝试换一种方式走进这片“森林”——让人工智能先替人类探路
不久前，2023级化学专业本科生周笑渔参与完成的研究成果以《Data-driven design of high-energy-density disordered rock-salt cathode via a physically informed graph neural network》为题，发表于能源材料领域顶尖期刊 Energy Storage Materials (IF=20.2，已上线)。论文中，周笑渔与中国科学院物理研究所博士生孙毓健为共同第一作者。对于一名本科生而言，从课程训练及科研实践走到科研论文一作位置，这段经历正是化学专业与人工智能梦等多学科教学理念交融的一次生动注脚。
在中国科学院大学的本科生科研实践及交叉学科系列课程中，周笑渔第一次真正意识到，人工智能并不只是写代码、调模型，也可以成为探索新材料的“望远镜”。他选修的一门课叫作“智能梦工厂：AI赋能实验创新”。他认为该课程与许多传统课堂不同，它没有把学生停留在教材和习题里，而是把真实科研问题带进课堂：如何利用人工智能，在化学材料领域开拓一片新的天地？而这个问题对于研究锂离子电池材料的周笑渔来说，具象成了如何利用人工智能，在庞大的化学空间中更快找到高性能锂离子电池正极材料。
无序岩盐正极材料结构及性能预测模型示意图
这项研究关注的是一类被寄予厚望的锂离子电池正极材料——无序岩盐型正极材料。
如果把传统层状正极材料比作一本装订整齐的书，锂离子和过渡金属离子像文字一样被安排在固定的行列中，结构清楚、秩序分明；那么无序岩盐材料则更像一盒彩色积木，不同元素可以在同一个晶格框架中以更多方式组合。看似“无序”的排列，反而带来了更大的设计自由度，研究人员可以在更广阔的元素范围内寻找新配方，有望减少对镍、钴等关键金属资源的依赖，发展出高能量密度、低成本的新型电池材料。
但自由也意味着复杂。锰、铬、钒、钛、镍等元素怎么组合？比例如何调整？氧和氟的含量怎样变化？每一个细微改变，都可能影响材料的容量、电压和能量密度。若完全依靠传统实验逐个尝试，就像在巨大迷宫里一格一格摸索；若依靠高精度理论计算，又常常受限于无序结构和局域短程有序带来的巨大计算成本。
周笑渔参与的工作，正是希望让人工智能先替科研人员“探路”。
在本科科研实践及智能梦工厂的训练基础上，他与合作者构建了一个具有物理信息约束的图神经网络模型。模型并不是简单地把化学式丢进“黑箱”，而是将锂、d0过渡金属、非d0过渡金属以及阴离子等不同化学角色组织成图结构节点，再引入原子半径、离子半径、原子质量、电离能等具有明确物理意义的描述符。这样，AI不仅学习数据中的规律，也尽可能保留材料化学中的基本常识。
通过这一模型，只需输入材料组成和放电条件，就可以预测无序岩盐正极材料在不同电压区间内的首圈放电容量，并进一步推算平均电压和比能量。对于材料研发来说，这相当于在正式开展大量实验之前，先得到一份“智能导航图”。
研究结果显示，模型能够捕捉材料组成微小变化带来的性能差异。例如，当材料中的铬被钒替代后，模型可以识别放电容量从较高电压区间向较低电压区间转移的趋势；当部分氧被氟替代后，模型也能反映容量提升的规律。这说明模型并非只是在机械拟合数据，而是在一定程度上学到了材料组成与电化学性能之间的内在联系。
更进一步，周笑渔和合作者将模型用于高维化学空间筛选。以V-Mn-Cr-Ti四元体系为例，AI快速扫描了大量可能组成，并识别出具有较高能量密度潜力的候选材料。其中，Li1.2Mn0.15Cr0.3Ti0.35O1.8F0.2附近组成被预测为兼具较高容量和合适电压的优选区域，预测放电比能量超过商用钴酸锂正极30%，可达到810 Wh/kg。模型还进一步比较了不同d0和非d0过渡金属组合，发现Ti与Ni的搭配在容量和电压综合表现上更具优势。
无序岩盐正极材料结构相关性分析及V-Mn-Cr-Ti组分性能预测结果
当然，AI的预测并不意味着实验可以被省略。它更像是在广阔化学空间中点亮几处值得深入探索的位置，帮助科研人员减少盲目试错，把有限的实验资源集中到更有希望的候选材料上。
对周笑渔来说，这项工作最重要的收获或许并不只是完成了一篇论文，而是通过智能梦工厂的课程，真正进入了一个交叉学科的现场。在这里，本科生不只是学习别人已经总结好的知识，而是面对尚未完全解决的科学问题；不只是训练模型参数，而是要理解材料背后的化学逻辑；不只是完成课程任务，而是参与到真实科研成果的形成过程中。
中国科学院大学多段式交叉学科人才培养探索之路方兴未艾
中国科学院大学化学科学学院打造科教融合课程“智能梦工厂”，也正在于此。它让本科生有机会在早期科研训练中接触人工智能与材料科学交叉前沿，学习如何从数据中发现规律、从模型中提出假设、从预测中寻找实验方向。课堂因此不再只是知识传授的终点，也可以成为科研创新的起点。
更长远来看，“智能梦工厂”课程只是中国科学院大学AI+化学科教融合基地建设的第一阶段。在完成本科阶段的启蒙与实践后，项目还将继续向第二、第三阶段延伸。第二阶段将依托“AI化学家教育-科技-人才一体化平台”，面向高年级本科生、研究生和本博贯通培养，建设模块化、高通量、多领域的智能研发平台，围绕能源、电子信息、生命医药等关键方向，推动模型预测、自动实验、数据分析和材料优化的闭环衔接。第三阶段则将依托HEPS光源共位集成智能平台，发展原位、高通量、多模态智能表征能力，将材料设计、制备、表征、解析和优化进一步贯通。
由此，项目形成了从本科生课程启蒙，到交叉科研攻关，再到重大科学装置赋能的递进式培养与创新链条。未来，随着更多实验数据、高通量合成表征、主动学习和自动化平台的加入，这类方法有望进一步发展为面向能源材料的闭环智能研发体系。届时，AI不仅能帮助研究人员更快筛选候选材料，还可能与自动化实验平台协同工作，持续提出问题、验证假设、优化方案。
从本科课堂到国际期刊论文，从AI课程训练到高能量密度锂电正极材料设计，周笑渔的经历展示了一种新的科教融合路径：让年轻学生在真实问题中成长，让人工智能在真实科学场景中发挥作用。
而这段探索的起点，正是一门面向本科生的课程。
论文链接：https://authors.elsevier.com/c/1nC-W8Z1RYDM9U
