基于机器学习的材料设计专栏（特约编辑：上海交通大学 曾小勤教授 上海大学 施思齐 ）

【编者按】机器学习能够通过算法从已有材料数据中构建影响因素与目标量之间的映射关系，进而准确揭示其隐含的材料构效关系，从而加速具备高目标性能的新材料设计与研发。随着海量材料数据的日渐积累，利用深度学习（特别是大语言模型）加速和优化数据获取、整理过程，并通过融合物理与化学知识，精准挖掘海量数据中具备目标属性的新材料的构效关系，已成为现阶段数据驱动材料设计的新模式。基于此，本刊特邀上海交通大学曾小勤教授和上海大学施思齐教授组织“基于机器学习的材料设计研发”专栏，邀请了数位国内知名专家、青年学者分别介绍了基于机器学习技术在钙钛矿材料、化学分子设计、互连材料、钛合金、储能材料等领域的新技术和新成果，希望为相关领域研究人员和感兴趣的读者了解该领域的前沿和发展提供参考。

[1]程晋荣,何鹏飞,李艺欣,雷咏梅.数据与模型驱动的钙钛矿材料智能计算框架[J].中国材料进展,2025,44(4):309-317.
http://www.mat-china.com/oa/DArticle.aspx?id=202412002

[2]张闫,薛德祯,辛社伟,等.机器学习辅助钛合金设计应用进展[J].中国材料进展,2025,44(4):319-329.
http://www.mat-china.com/oa/DArticle.aspx?id=202501004

[3]林奕希,蒋雨桥,冯相民,等.机器学习原子间势分子动力学模拟在电化学储能材料研究中的应用进展[J].中国材料进展,2025,44(4):330-348.
http://www.mat-china.com/oa/DArticle.aspx?id=202409017

[4]闫姿霓,饶梓元,曾小勤.大语言模型在材料科学领域的研究进展[J].中国材料进展,2025,44(5):409-423.
http://www.mat-china.com/oa/DArticle.aspx?id=202409019

[5]王纪峰,汪莹.生成式深度学习在目标导向分子设计中的应用进展[J].中国材料进展,2025,44(5):424-435.
http://www.mat-china.com/oa/DArticle.aspx?id=202411011

[6]崔国祥,李瑞,袁昌驰,等.人工智能驱动集成电路下一代互连材料设计:进展与挑战[J].中国材料进展,2025,44(5):436-449.
http://www.mat-china.com/oa/DArticle.aspx?id=202409016