物理引导机器学习逆向设计钴基高温合金：高斯过程回归精度R²达0.932
9月23日提交arXiv的研究提出物理信息机器学习框架逆向设计钴基高温合金，以原子尺寸失配等四个物理描述符预测γ'相固溶温度，高斯过程回归留一交叉验证R²=0.932、RMSE=34.7°C，并兼顾合金密度进行多目标优化。
材料信息学
共 11 篇 · B910化工 · AI 化学信息库
PolyBench26发布：近25万数据点的聚合物性能预测开放基准，填补机器学习评测空白
9月22日提交至arXiv的PolyBench26构建了包含近25万条聚合物-性能数据点、覆盖八种物理性质的开放基准，数据融合实验测量、密度泛函理论与分子动力学来源，并超越均聚物覆盖更复杂聚合物结构；评测显示先进模型的优势在不同训练集规模下保持稳健，为复杂聚合物设计空间的模型开发提供可复现基础。
慕尼黑深科技初创ExoMatter完成逆向设计概念验证：按需求“反推”材料，省去数年实验
慕尼黑初创ExoMatter与一家工业客户完成材料“逆向设计”首个概念验证：企业只需输入性能、成本、可持续性要求，算法即生成候选材料，实验室仅需验证最终候选。公司称该技术全面成熟后可节省数年实验时间和数百万研发开支。
材料科学专用AI基座模型盘点：58个新模型浮现，多模态融合成主线
一篇发表于ChemRxiv的综述系统梳理材料科学AI基础模型的发展：基于Web of Science 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。研究指出，单一材料可由成分表、晶体结构、电镜图像与光谱时序数据等多模态描述，统一表征是加速材料研发的关键。
AI重塑低VOC涂料配方开发：实验产能成为新瓶颈，Perstorp用8个月解决17个醇酸树脂体系
材料信息学公司Citrine Informatics工程师表示，AI已将涂料配方数据分析压缩到一小时内，实验产能转而成为限速环节。Perstorp借助AI平台为醇酸树脂乳化匹配表面活性剂，8个月解决17个体系， historically需5年，并获本年度美国涂料奖。
大阪市立大学用迁移学习修正合金计算，实现未探索合金性能高精度预测
9月17日消息，大阪市立大学Uesugi团队构建覆盖1998个二元固溶体体系的第一性原理体积尺寸因子（VSF）数据库，并开发AI迁移学习方法修正计算与实验值偏差，在已有实验数据体系和未探索合金体系上均实现可靠预测，成果发表于《Materialia》，推动合金开发走向“先预测后制备”。
HiPoly聚合物原生AI框架发布：三层级图表征打通从单体到性能的生成式设计
芝加哥大学Juan de Pablo团队等在arXiv发布HiPoly框架，基于G2RINS表示构建三层级图架构，统一编码聚合物的随机单体间连接、组成与序列等多尺度层级结构，实现聚合物性能预测与生成式设计。聚合物跨能级层级结构长期难以被AI统一表征，该框架面向能源、健康与交通材料开发。
Citrine Informatics携手Forum Rathenau：AI材料信息学平台赋能德国绿色深科技生态
美国材料信息学公司Citrine Informatics与德国Forum Rathenau达成合作，为其'Scale New Chemistry'创业加速项目提供AI驱动的材料信息学平台作为数字底座，帮助德国化工三角区初创团队在CO2减排、资源循环等领域加速从实验室走向产业化。平台材料类型无关，可覆盖聚合物、催化剂、电池材料等。
DOSSIER化学语言模型：仅凭元素组成预测电子态密度
俄罗斯研究团队开发名为DOSSIER的化学语言模型，通过跨模态知识蒸馏从通用机器学习原子间势预训练编码器，可直接从元素化学组成预测电子态密度（DOS），无需晶体结构；在Mat2Spec基准上误差3.76 states/eV，接近最优结构感知模型的3.64，并成功筛选出已知氧还原电催化剂的高排名候选。
日立高新联合Powrex用物理AI攻克全固态电池正极包覆难题，开发周期大幅压缩
日立高新技术与Powrex完成联合验证，利用XRF/SEM分析数据与PROACCELA过程信息学技术，以数据驱动方式确定全固态电池正极活性材料的锂导电氧化物包覆最优条件，替代传统试错法，双方计划通过HMAX Industry推动商业化，瞄准2030年前后全固态电池市场扩容。
旭化成开发碳酸锂预锂化新技术：硅系负极锂电池能量密度提升10%，将向电池厂商授权
旭化成8月20日宣布开发出利用碳酸锂的锂离子电池预锂化技术，通过在电解液中添加分解促进剂，使碳酸锂在常规工作电压下分解，补偿硅系负极首次充电的不可逆容量损失。内置测试显示，采用90%石墨+10% SiO负极的NMC电池能量密度提升10%，且无需对现有产线大幅改造。旭化成计划以技术授权模式向全球电池厂商推广。