9月22日消息，据AZoM报道，一篇发布于ChemRxiv预印本服务器的论文系统考察了材料科学人工智能（AI）基础模型（foundation model）的发展现状，指出行业正从窄任务的专用机器学习模型转向可跨多个材料问题复用的基座模型。

论文指出，材料研发历经经验、理论、计算与数据驱动四类范式后，AI辅助发现正成为第五范式。高通量计算筛选与自动化工作流已产出大量晶体学与热力学数据，而清洁能源、可持续建筑与先进电子对新材料的需求不断推高研发提速诉求。

研究基于Web of Science核心合集557条记录的文献计量分析，识别出58个材料科学专用基座模型及45篇相关讨论文献。论文的核心观点是：同一材料可通过成分表、原子晶体结构、电子显微镜图像与光谱时序数据等多模态形式描述，传统将各输入分开处理的机器学习方式难以捕捉物理性质间的关联；将多元数据与科学知识统一表征的多模态基座模型，是缩短材料从发现到市场15-20年周期的关键技术路径。

传统上一种新材料从发现到上市需要15至20年的试错开发。多模态基座模型若能在统一的表征空间中同时处理结构、图像与光谱数据，将显著压缩候选材料筛选与性质预测环节。该综述为化工与材料企业评估AI研发工具链提供了全景参照——在清洁能源材料、催化剂与电子材料等高价值赛道，AI基座模型的导入速度正在成为研发效率的分水岭。 （来源：AZoM）