“AI + 高通量”筛选与合成 力扬助力加速新型材料发展步伐

在当今科技革命与产业变革交汇的时代，新型材料的研发已成为推动高端制造、新能源、生物医药等领域跨越式发展的核心引擎。传统材料研发模式往往依赖经验试错，周期长达数年甚至数十年，成本高昂且效率有限。如何从海量的组分与工艺空间中快速锁定目标材料，成为制约行业创新的关键瓶颈。在此背景下，“AI + 高通量”筛选与合成技术应运而生，而力扬公司在该领域的深度布局，正为加速新型材料发展步伐注入强劲动力。

高通量筛选（High-Throughput Screening, HTS）技术源于药物研发，其核心理念是通过自动化、微型化和并行化实验，在短时间内对数以千计的材料组合进行制备与性能评估。传统的高通量筛选主要依赖物理实验阵列，例如利用组合材料芯片技术一次生成大量不同组分样品，再通过光学、电学或结构表征手段快速获取数据。随着材料基因组计划推进，单纯的高通量实验已无法满足指数级增长的搜索需求——因为实验合成的速度终究有限，且多维参数空间的组合爆炸使全面覆盖变得不可能。

正是在此矛盾中，人工智能（AI）与大数据的介入带来了范式变革。“AI + 高通量”并非简单叠加，而是将机器学习、深度学习与高通量实验闭环融合。具体而言：第一，AI可用于“虚拟筛选”。通过训练材料性能预测模型（如基于图神经网络或随机森林），研究者只需输入候选材料的成分与结构特征，模型即可在秒级时间内预测其带隙、导电性、稳定性等关键指标，从而将实验资源聚焦于最有希望的“候选者”。第二，AI可指导“智能合成”。高通量合成平台（如微流控反应器、喷墨打印阵列、激光分子束外延等）产生的大量实验数据，能够反馈至AI模型进行迭代优化，实现所谓“主动学习”——每一步实验都旨在最大程度提升模型置信度或逼近目标性能，从而用最少的实验次数达到最优组成。

力扬作为国内领先的材料研发解决方案提供商，已将“AI + 高通量”策略落地为实际工程能力。其核心技术体现为三个维度：算力与算法层，力扬开发了面向材料科学的专用AI平台，内置多种预训练模型，可处理晶体结构、谱图、显微图像等异构数据，并支持迁移学习以应对小样本场景；在高通量实验层面，力扬整合了自动配液、并行反应、快速表征等模块，实现了从“配方设计”到“样品合成”再到“性能初筛”的全流程自动化，日均实验通量可达数千组；在闭环优化层面，力扬构建了“计算-实验-反馈”数据驱动的工作流，AI代理根据实时高通量结果动态调整下一轮实验参数。据报道，在某类新型固态电解质材料的开发中，力扬团队利用该方法在数周内从超过10万种候选组成中筛选出3种具有高离子导率和良好空气稳定性的材料，而传统方法预计需要数年。

具体案例能更清晰展示其价值。以热电材料为例，其性能优值ZT取决于电导率、塞贝克系数和热导率的复杂权衡。传统的高通量筛选往往只测量单一电学性质。力扬则采用AI代理模型，将高通量合成得到的成分-结构数据与第一性原理计算以及部分实验表征数据混合，预测完整ZT值，并主动挑选下一批需合成的组分。结果是将有效搜索速率提升超过20倍，同时实验成本降低约60%。在光电材料如钙钛矿量子点合成中，力扬的高通量平台结合AI图像识别，自动判别量子点尺寸与发光波长，实现带隙的精细调控，极大加快了显示与光伏材料的配色优化。

“AI + 高通量”仍面临数据质量与标准化、模型可解释性、跨尺度集成等挑战。力扬的策略是构建开放的材料数据库与基准测试，加强与高校及院所的合作，同时持续投入自动化与表征技术的研发，以确保数据的高通量采集不仅是数量上的增长，更是质量上的突破。力扬计划将高通量筛选从“配方优化”推进至“器件级加工”和“工况稳定性评估”，并引入大语言模型辅助文献挖掘与实验设计，真正实现从需求到材料的端到端加速。

综上，“AI + 高通量”不是概念泡沫，而是新型材料研发从“试错”走向“智能设计”的必由之路。力扬通过其深厚的技术积累与工程实践，有效缩短了材料从实验室发现到商业化应用的周期，为新能源、半导体、生物医用材料等领域提供了高效的研发引擎。随着算力成本下降和实验自动化程度提升，我们完全可以期待，由力扬等机构推动的这一范式，将在未来五到十年内使新材料“从0到1”的突破变得常态化，从而为全球材料产业格局带来深刻变革。