近日，西南交通大学物理科学与技术学院微纳器件与材料物理团队―陈元正课题组联合日本东北大学李昊团队、新加坡国立大学欧鹏飞团队、纽约州立大学水牛城分校彭嘉宇团队等深度讨论了人工智能（AI）大模型在加速催化材料发现的巨大潜力和前沿AI技术（AI´数据库Database, 通用机器学习势MLIPs, 大语言模型LLMs），为下一阶段AI for Catalysis发展提供了思路和指引。

相关工作以“Accelerating Catalyst Materials Discovery With Large Artificial Intelligence Models”为题发表在国际顶刊《Angewandte Chemie International Edition》（中科院一区，IF=16.9）上, 并获选为Angew 封面。

第一作者：张頔（日本东北大学）；陈元正（西南交通大学）

通讯作者：李昊（日本东北大学）；陈元正（西南交通大学）；欧鹏飞（新加坡国立大学）；彭嘉宇（纽约州立大学水牛城分校）

封面链接：https://onlinelibrary.wiley.com/doi/10.1002/anie.2026-m0303080800

这篇文章给出了“数据库—MLIP—LLM—闭环—生态”一条层层递进、可执行、可迭代的研究路线：先解决数据底座问题，再讨论物理建模扩展能力，再引入大语言模型作为知识与流程编排层，最终落到闭环系统，并进一步走向Digital Materials Ecosystem（数字材料生态）。这条路径把方法论与落地路径放到同一框架中，也让 AI for Science 在催化领域从“概念讨论”走向“系统建设”。

TOC

在此基础上，阐述了四层逻辑内在关联与自然外延，数据库提供可信底座，MLIP 提供物理扩展，LLM 提供知识与编排，闭环提供持续学习；当这些能力跨平台、跨数据域、跨材料体系连通后，才会形成真正意义上的生态。最终目标不再是“做出一个更强模型”，而是建立一个可互联、可迁移、可演化的数字研究基础设施。就催化能源科学而言，这意味着从局部优化走向系统创新，从单次突破走向可复制、可持续的研发能力。这篇工作传达的核心是：未来的竞争力，不在“谁先用AI”，而在“谁先把数据库、模型、实验与反馈真正连成自进化的数字材料生态”。

该研究工作受到了日本JSPS KAKENHI基金（NO：JP25H01508、JP25K01737和JP25K17991）和中国石油西南油气田公司科技项目（AZ202510-0079）的资助。

论文信息: D. Zhang#, Y. Chen*#, C. Liu, Y. Liu, H. Xin, J. Peng*, P. Ou*, and H. Li*, "Accelerating Catalyst Materials Discovery with Large Artificial Intelligence Models", Angewandte Chemie International Edition, 2026, e26150

DOI: https://doi.org/10.1002/anie.202526150