昆明理工大学团队在 “人工智能 + 材料” 交叉领域获重要突破

近日，昆明理工大学材料科学与工程学院种晓宇、何京津、冯晶教授团队在 “人工智能 + 材料” 交叉领域取得重大突破。他们提出的 “连续迁移” 机器学习框架，成功攻克小数据集下材料多性能预测的技术瓶颈，相关成果发表于国际期刊《先进功能材料》，为新型功能材料高效研发带来新思路。 传统机器学习方法在材料性能预测时，常因数据稀缺而受限，特别是目标性能样本量不足时，模型精度难以保障。针对这一难题，该研究团队创新性地构建了 “连续迁移” 学习策略。此策略先基于海量材料的形成能数据训练高精度基础模型，接着通过迁移学习依次预测材料的稳定性、带隙、体积模量等关键性能。在面对仅有 51 条数据的剪切模量预测任务时，团队以体积模量模型为 “跳板” 进行二次迁移，显著提升了小数据集下的预测可靠性。

借助该框架，研究团队从 1.8 万余种候选材料中，迅速筛选出 54 种兼具高稳定性与优异延展性的无机双钙钛矿涂层材料。其中，六氟合铱酸铯铜材料表现卓越，其带隙值适配光伏应用需求，剪切模量与体积模量比值显示出高延展性，稳定性测试也证实了其潜在实用价值。这一成果不仅为钙钛矿太阳能电池、光催化等领域提供了候选材料库，还证明了迁移学习在材料多性能协同优化中的普适性，为其他材料的性能预测与优化提供了可推广的框架。 据悉，此项研究依托昆明理工大学的金属先进凝固成形及装备技术国家地方联合工程研究中心完成，是该校在材料信息学领域的又一重要进展。 昆明理工大学团队提出的 “连续迁移” 机器学习框架，为解决传统机器学习在数据稀缺场景下的性能瓶颈，破解 “数据少、任务多” 的材料研发难题提供了可推广的计算工具，也为材料多性能协同优化构建了高效计算范式。这一突破有望加速新型功能材料的研发进程，推动 “人工智能 + 材料” 交叉领域的进一步发展，为相关产业的创新升级注入强大动力。未来，该团队的研究成果有望在更多领域得到应用和拓展。