想象一场史无前例的大型选秀节目。导演组收到了100万份报名表——候选晶体结构，但最终舞台只能容纳几十位选手——能被实验室真正合成并应用的材料。传统做法是一位评委挨个试镜，别说看一百万，看一百个就眼花了，几百年也看不完。谷歌DeepMind的GNoME项目，就像一个“AI导演组”：先设定报名门槛（稳定性筛选），再同时开几十个房间批量试镜（高通量计算），关键时刻让AI评委快速点评录像（机器学习代理），接着多位导师从不同维度综合打分（多目标排序），最后把最有潜力的选手续进决赛（实验验证优先级）。2023年，GNoME宣布发现220万种新材料，其中约38万种被预测为热力学稳定，并与伯克利实验室合作实际合成了41种。新材料筛选的本质不是“无中生有”，而是把海选效率提升几个数量级——这正是AI for Science最经典的范式之一。

岗位关联

对AI从业者而言，这是“如何用AI和领域知识把海量候选压缩到可验证清单”的通用水处理框架，在材料、制药、化工等AI for Science赛道具有极高的迁移价值。掌握它，你就拿到了进入科学智能领域的入场券。

目录
  1. 可视化演示
  2. 筛选标准设定
  3. 高通量计算
  4. 机器学习代理
  5. 多目标排序
  6. 实验验证优先级
  7. 能源材料应用
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示高通量计算筛选候选材料散点分布、多目标排序策略、以及从预测到实验验证的优先级确定流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

高通量计算筛选候选材料 从数百万候选化合物中通过DFT计算和ML预测模型快速筛选，散点图中每个点代表一种候选材料 筛选标准设定稳定性阈值和性质要求，不合格材料被过滤淘汰 candidates -> DFT + ML -> filter(stability, property) GNoME从2M候选中筛选出38万稳定新材料

筛选标准设定

选秀节目不是谁想上台都能上台的。导演组第一件事是设报名门槛：年龄满18岁、有基本才艺基础、没有合约纠纷——先把明显不合格的挡在门外。GNoME面对约20亿个由元素组合和晶体学对称性生成出的候选结构，第一道闸门同样是“报名门槛”——先问一个问题：这个候选材料能不能稳定存在？

如果一种材料天生就“想”分解成其他化合物，那它就像一碰就碎的纸糊道具，根本没资格登上材料舞台。衡量这个“想不想散架”的物理量叫作分解能（decomposition energy）——把候选材料看作一个组合团体，计算它拆解成各种“更稳定产物组合”需要付出或释放的能量差。具体来说：如果拆解产物比候选材料能量更低，那么候选材料就会自发分解，它就不稳定，直接淘汰。

如果分解能为负，说明候选材料“拆开更划算”，它会在热力学推动下散架，淘汰；只有当分解能在凸包能量阈值附近保持稳定时，才能进入下一关。GNoME正是用这个标准把20亿候选先压缩到几百万量级——报名门槛一设，台下的“素人”瞬间少了几个数量级。

Edecomp=min⁡P∈C(∑p∈PEp)−EcandidateE_{\text{decomp}} = \min_{P \in \mathcal{C}} \left( \displaystyle\sum_{p \in P} E_p \right) - E_{\text{candidate}}
分解能 =（所有可能的分解产物能量之和的最小值）− 候选材料自身能量。通俗说：候选材料“散架”后如果更省能量，它就倾向于散架，也就是不稳定。
  1. 产物组合集合材料可能分解成的各种稳定化合物组合，好比一个人能跳入的各个“下家团队”。
    P∈CP \in \mathcal{C}
  2. 产物总能量一个分解组合里所有产物的能量加总。
    ∑p∈PEp\displaystyle\sum_{p \in P} E_p
  3. 取最小值在所有可能的拆解路线里，材料会选最“省力”的那条，所以取能量最低的组合。
    min⁡P∈C(… )\min_{P \in \mathcal{C}} (\dots)
  4. 分解能用这个最小值减去候选材料自身能量，得到分解能。
    Edecomp=(… )−EcandidateE_{\text{decomp}} = (\dots) - E_{\text{candidate}}

高通量计算

100万选手要试镜，总不能让一位评委席从早坐到晚。选秀节目组的做法是同时开几十个复试房间，每个房间配一套标准摄像机，导演组喊"Action"同时开机——这就是高通量计算的直观画面。

在材料科学里，那套“标准摄像机”就是密度泛函理论（DFT）。给定一个晶体结构，它能从量子力学第一性原理出发，算出这个材料的总能量、电子结构等关键指标，不需要任何经验参数。GNoME用VASP等DFT软件包对候选结构进行批量计算，配上自动化工作流：自动生成输入文件、并发提交计算任务、监控异常并自动重跑。整个流水线像一条“试镜流水线”，材料结构从一头进去，能量与稳定性数据从另一头出来。

问题来了：即便开满并行房间，DFT算一个材料依然要几十分钟到几小时。几百万候选材料全跑一遍，超级计算机也得累趴下。于是节目组想了个聪明办法——先让AI评委看“才艺录像带”快速打分，只有录像里亮眼的选手才值得请进真人试镜间。这就引出了下一关：机器学习代理。

Ttotal=Ncand×tDFTPparallelT_{\text{total}} = \frac{N_{\text{cand}} \times t_{\text{DFT}}}{P_{\text{parallel}}}
总耗时 = 候选材料数 × 单个材料DFT耗时 ÷ 并行计算核数。这是高通量筛选的“算术题”：要么减少候选，要么加速单个计算，要么堆并行资源。
  1. 单任务耗时用DFT算一个候选材料结构的平均时间。
    tDFTt_{\text{DFT}}
  2. 候选材料数量通过第一道稳定性闸门后剩下的材料数。
    NcandN_{\text{cand}}
  3. 并行度同时能跑多少个DFT计算任务，相当于试镜房间的数量。
    PparallelP_{\text{parallel}}
  4. 总耗时三个量组合得到的整体筛选时间。
    Ttotal=Ncand×tDFT/PparallelT_{\text{total}} = N_{\text{cand}} \times t_{\text{DFT}} / P_{\text{parallel}}

机器学习代理

真人试镜太贵，评委嗓子也受不了。选秀节目组决定先让AI评审团看录像带：每个选手上传一分钟才艺展示，AI先打个“潜力分”，分数靠前的才被请进试镜间。GNoME的AI评审团，是一套图神经网络（GNN）。

为什么用图神经网络？因为晶体结构天生就是一张图：原子是节点，化学键是边。每个原子带着自己的“简历”（原子序数、氧化态、配位环境），通过一层层“消息传递”，原子节点不断向邻居打听“你是什么元素、你周围围了几个原子”，迭代更新自己的特征表示。最终整张图的特征被汇总，用来预测这个材料的能量和稳定性——相当于AI评委看完录像后给出的“才艺潜力分”。

GNoME还用了主动学习策略：AI评委拿不准的候选人（预测不确定性高的），就送去DFT真人试镜间细算，算完的真实结果再喂回模型训练。这个“预测—计算—再训练”的闭环，让AI评委越看越准，最终把筛选速度提升了三到四个数量级——从每天算几百个，变成每秒预测几千个。AI评委不是神，但它看得够快、记得够牢，这就是化学直觉的机器版。

hi(k+1)=UPDATE(hi(k), AGG({hj(k):j∈N(i)}))h_i^{(k+1)} = \text{UPDATE}\left( h_i^{(k)}, \ \text{AGG}\left( \{ h_j^{(k)} : j \in \mathcal{N}(i) \} \right) \right)
第k+1层的节点表示 = 用“自身旧信息 + 邻居信息的聚合”更新得到。一句话：一个原子的特征，被它周围原子的特征不断重塑，就像选手的表现会被同组对手和导师反馈影响。
  1. 初始特征每个原子一开始携带自己的元素属性编码。
    hi(0)=xih_i^{(0)} = x_i
  2. 邻居集合与原子 i 直接相连（成键）的原子集合。
    N(i)\mathcal{N}(i)
  3. 聚合函数把邻居的信息汇总成一条消息，通常用求和或均值。
    AGG({hj(k):j∈N(i)})\text{AGG}(\{ h_j^{(k)} : j \in \mathcal{N}(i) \})
  4. 更新函数把旧状态和聚合消息合并，得到新一层的表示。
    hi(k+1)=UPDATE(hi(k),AGG(… ))h_i^{(k+1)} = \text{UPDATE}(h_i^{(k)}, \text{AGG}(\dots))

多目标排序

通过了海选和AI初筛，剩下的选手个个都“能站上舞台”。可最终出道的名额只有几个，导师团不能只看唱功。舞台表现力、创作能力、观众缘、形象气质——每位导师打一个分，最后按权重加总排出名次。材料筛选进入复赛阶段，同样要多目标排序。

单看稳定性远远不够。一种材料就算能量上很稳，如果带隙不对——电子完全被“焊死”或“流得满盘都是”——它在具体应用里就是废材。GNoME的复赛标准通常包括：带隙约束（光伏材料要1.3~1.5 eV、半导体要特定区间）、稀缺元素惩罚（含钴、锂等稀缺元素要扣分，因为大规模应用会受资源制约）、以及离子电导率、合成难度等维度。每个维度先归一化到0到1，再按应用场景设定权重求和。

多目标排序的意义在于防止“单项冠军”挤掉“全能选手”。一个材料稳定性满分但带隙一团糟，加权后可能排不过中等稳定但各方面均衡的对手。复赛结束，出道名单初步浮出水面——但还剩最后一关：谁能真正走进实验室？

U(M)=∑i=1nwi si(M),s.t. gj(M)≤0U(M) = \displaystyle\sum_{i=1}^{n} w_i \, s_i(M), \quad \text{s.t. } g_j(M) \le 0
综合评分 = 各维度归一化得分乘以各自权重的和，同时还要满足若干硬性约束条件。权重表达了“这个舞台需要什么样的选手”。
  1. 单维度得分某个目标（带隙、稀缺度、电导率）归一化到 0–1 的得分。
    si(M)s_i(M)
  2. 权重系数每个维度的重要性，由最终应用场景决定，权重之和通常为1。
    wiw_i
  3. 硬性约束一票否决的底线条件，比如带隙必须在某个区间内。
    gj(M)≤0g_j(M) \le 0
  4. 综合评分加权求和得到候选材料的复赛总分，用于排序。
    U(M)=∑wisi(M)U(M) = \sum w_i s_i(M)

实验验证优先级

决赛圈选手有几十个，但公司预算只够给几个人请私人教练、安排全套妆发——实验室资源昂贵且有限，不能每个都试。导演组要做的，是给决赛选手排一个“试镜顺序”：谁最可能出道、谁最好包装，谁就先上。

GNoME最终预测了38万种热力学稳定的新材料，这个数量对实验室来说依然太庞大。于是科学家们设计了优先级评分：一个候选材料的验证优先级（Priority）来自三方面——模型对稳定性的置信度（AI评委多确信）、合成可行性（现有设备和前驱物能不能做出来）、以及候选多样性（别一窝蜂都是同一种结构家族，要覆盖不同化学空间）。三个因子线性加权后排序，决定哪个材料先进合成炉。

正是靠着这套优先级排序，DeepMind与劳伦斯伯克利国家实验室合作，从预测名单中选出一批候选进行真实合成，最终成功合成了41种此前未知的晶体材料。AI选秀导演组的职责不是保证人人出道，而是让有限的实验室灯光，聚焦在最值得栽培的脸庞上。

P(M)=β1C(M)+β2F(M)−β3U(M)P(M) = \beta_1 C(M) + \beta_2 F(M) - \beta_3 U(M)
验证优先级 = 置信度权重 × 置信度 + 可行性权重 × 可行性 − 不确定性惩罚权重 × 模型不确定性。模型没把握的材料，优先级会被调低。
  1. 模型置信度AI评委对这个材料稳定性预测的信心程度。
    C(M)C(M)
  2. 合成可行性现有合成路线和前驱物条件下做出来的难度估计。
    F(M)F(M)
  3. 模型不确定性模型多次预测的离散程度，方差越大越不靠谱。
    U(M)U(M)
  4. 加权与惩罚前三项用不同的权重平衡，对不确定性做扣分惩罚。
    β1,β2,β3\beta_1, \beta_2, \beta_3

能源材料应用

出道后的明星各奔前程：有的去音乐综艺担纲主唱，有的去影视剧组挑大梁，有的接广告代言。AI筛选出的新材料也各自登上自己的舞台。材料信息学一个最火的方向，就是能源材料——因为能源转型急需新材料的“新鲜血液”。

在锂离子电池方向，高通量筛选被用于寻找高比容量正极和固态电解质：既要锂离子导率高，又要电子电导率低避免短路，还要电化学窗口稳定。在光伏材料方向，AI筛选钙钛矿和候选化合物的带隙，让它尽量落在1.3~1.5 eV的太阳光谱黄金窗口附近。在碳捕集方向，AI在金属有机框架（MOF）中筛选高CO₂吸附选择性的结构。这些应用都反复用到同一个理论标尺——材料的理论比容量，它决定了电池能存多少电。

AI导演组最大的贡献，不是凭空制造性能神话，而是让合适的材料以更快的速度走进合适的能源舞台。过去一个新材料的发现周期以十年计，如今在AI筛选的推动下可能缩短到几个月。这就是“材料基因组计划”和GNoME们正在书写的未来。

C理论=n F3.6 MC_{\text{理论}} = \frac{n \, F}{3.6 \, M}
理论比容量 = 每摩尔物质转移的电子数 × 法拉第常数 ÷（摩尔质量 × 3.6换算因子）。通俗说：同样重量的材料，能塞进越多电子，电池就越能装。
  1. 电子转移数每摩尔活性物质在充放电中转移的电子数。
    nn
  2. 法拉第常数每摩尔电子的电荷量，约96485库仑。
    F=96485 C/molF = 96485\ \text{C/mol}
  3. 摩尔质量活性材料的分子量，单位 g/mol。
    MM
  4. 3.6换算因子把库仑换算成常见电池容量单位毫安时（mAh）的系数。
    C理论=nF/3.6MC_{\text{理论}} = nF / 3.6M

AI 应用场景

场景一：固态电池电解质的AI筛选

阶段：多目标排序 + 实验验证优先级

解决的问题：传统固态电解质（如石榴石型LLZO、硫化物体系）开发依赖试错，锂离子电导率、稳定性、界面兼容性难以兼得，一轮实验就要数月。AI把“试错”变成“围猎”：先用DFT批量计算候选晶格的Li迁移势垒，再用GNN预测电导率与带隙，最后按多目标权重排序，优先合成得分最高的十几个配方。

具体案例：丰田北美研究院、橡树岭国家实验室等团队用高通量计算+机器学习筛选NASICON型钠离子导体和石榴石型锂离子导体，把新电解质从发现到实验室验证的周期压到原来的三分之一。

场景二：钙钛矿光伏材料的带隙工程

阶段：筛选标准设定 + 多目标排序

解决的问题：钙钛矿光伏材料的带隙要求非常苛刻——太宽吸不到红光，太窄浪费高能光子。人工调节A/B位元素配比如同大海捞针。AI设定带隙硬约束（1.2~1.6 eV）和稳定性阈值，在元素替换空间中快速淘金。

具体案例：某研究团队用与GNoME类似的GNN代理模型，在1万种混合阳离子钙钛矿候选物中筛选出20种满足带隙窗口且分解能大于0.2 eV/原子的成分，两种经实验验证后光伏效率突破实验室纪录。

场景三：MOF碳捕集材料的加速发现

阶段：机器学习代理 + 实验验证优先级

解决的问题：碳捕集是碳中和关键环节，MOF（金属有机框架）材料数量巨大，但每个都要测CO₂吸附量和选择性，实验吞吐量远跟不上。AI先用高通量模拟构造吸附等温线训练集，再用GNN预测吸附性能，最后对高置信度且结构新颖的候选做真实吸附实验。

具体案例：美国能源部支持的项目用AI筛选了约70万种MOF结构，选出约600种高吸附候选，其中几十种完成了实验室验证，CO₂吸附量达到传统筛选路径的两倍以上。

Python 演示

python71 行
import randomimport math class MaterialScreener:    """A toy pipeline mimicking GNoME-style material screening."""     def __init__(self, n_candidates=2000):        self.candidates = self._generate_candidates(n_candidates)        self.screen_list = []        self.final_list = []     def _generate_candidates(self, n):        mats = []        for i in range(n):            mats.append({                "id": i,                "decomp_energy": random.uniform(-0.8, 0.6),                "bandgap": random.uniform(0.0, 3.5),                "scarcity": random.uniform(0.0, 1.0),                "synthesis_score": random.uniform(0.0, 1.0)            })        return mats     def stability_filter(self, threshold=0.0):        # 第一道闸门：热力学稳定性 分解能不高于阈值        self.screen_list = [m for m in self.candidates                            if m["decomp_energy"] <= threshold]        return len(self.screen_list)     def bandgap_filter(self, low=1.0, high=2.0):        # 第二道闸门：带隙硬约束, 匹配光伏/半导体场景        self.screen_list = [m for m in self.screen_list                            if low <= m["bandgap"] <= high]        return len(self.screen_list)     def score_materials(self):        # 多目标加权: 带隙靠近1.4eV加分, 稀缺度低加分, 合成容易加分        for m in self.screen_list:            gap_score = 1.0 - abs(m["bandgap"] - 1.4) / 1.4            gap_score = max(0.0, min(1.0, gap_score))            m["total_score"] = (0.5 * gap_score +                                0.3 * (1.0 - m["scarcity"]) +                                0.2 * m["synthesis_score"])        self.final_list = sorted(self.screen_list,                                 key=lambda m: m["total_score"],                                 reverse=True)        return len(self.final_list)     def recommend_top(self, top_k=5):        return self.final_list[:top_k]  if __name__ == "__main__":    # 用随机种子保证结果可复现    random.seed(42)    screener = MaterialScreener(2000)    print("initial candidates:", len(screener.candidates))     n1 = screener.stability_filter(threshold=0.05)    print("after stability filter:", n1)     n2 = screener.bandgap_filter(low=1.0, high=1.8)    print("after bandgap filter:", n2)     n3 = screener.score_materials()    print("scored materials:", n3)     print("Top 5 recommended for experiment:")    for m in screener.recommend_top(5):        print("  material #%4d  gap=%.3f eV  scarcity=%.2f  score=%.3f"              % (m["id"], m["bandgap"], m["scarcity"], m["total_score"]))
目的：演示一个简化的GNoME式材料筛选流水线——先用分解能闸门过滤不稳定的候选，再用带隙硬约束缩小范围，最后多目标加权打分并给出进实验室的推荐名单。
  1. random.seed(42)固定随机种子，让筛选结果可复现，方便调试和教学演示。
  2. self.screen_list = [m for m in self.candidates if ...]用列表推导实现“稳定性闸门”，把分解能超标的候选挡在门外。
  3. bandgap_filter(low=1.0, high=1.8)带隙硬约束：模拟光伏/半导体应用场景对电子结构的刚性要求。
  4. gap_score = 1.0 - abs(m["bandgap"] - 1.4) / 1.4带隙得分：越接近光伏黄金值1.4 eV分越高，体现“目标导向打分”。
  5. m["total_score"] = 0.5*gap + 0.3*(1-scarcity) + 0.2*synthesis多目标加权：带隙权重0.5、稀缺性0.3、合成难度0.2，对应正文的加权评分公式。
  6. self.final_list = sorted(...)按综合评分降序排序，输出实验验证优先级最高的候选名单。

常见误区

误区GNoME发现了220万种新材料，材料科学已经被AI包圆了吧？我只要跑一下模型就能“造”出新材料，实验环节可以省了。

正解AI筛的是“热力学上可能稳定存在”的候选者，但热力学稳定≠动力学可合成。从算出来的稳定结构到烧杯里真实长出的晶体，中间隔着前驱物选择、反应路径、温压条件等一大段“现实鸿沟”。GNoME的220万个预测中，论文明确区分了“预测候选”和“已实验验证”两类，后者只有41种。

为何常见：媒体标题“AI发现220万新材料”的简化传播，让很多人以为AI直接完成了从预测到量产的全程，忽略了论文里那句“尚有大量候选待实验验证”的申明。

误区反正候选材料有几百万个，筛严一点、门槛多立几道，剩下的肯定都是精英，宁缺毋滥。

正解标准过严会把潜力股误杀。比如带隙硬约束卡死在1.3~1.5 eV，会漏掉那些带隙略偏但可以通过掺杂、应力调控进入窗口的好材料。多目标排序的意义恰恰在于用“加权”代替“一票否决”，在多个维度间找平衡。像选秀，如果规定选手必须25岁整才给上台，那25岁半的巨星苗子就白白错过了。

为何常见：人们直观上认为“多过滤一层就少一份噪声”，却忽略了材料指标之间存在耦合，一个维度的微小偏差可能在另一个维度被轻松补偿。

误区把图神经网络的能量预测误差压到1 meV/atom以下，筛出来的材料名单就是铁板钉钉，直接抄送实验室就行。

正解ML代理的精度是“全局平均”指标，而筛选关心的是凸包边界附近的少数候选——它们处在稳定与不稳定的临界线上。一个候选误差几十meV，就可能从“稳定名单”滑到“淘汰名单”。所以GNoME设计了主动学习和不确定性估计，专门盯住边界样本，而不是只看均方误差。这就像评委平均打分很准，但最关键的一个卡位选手恰好被看走眼，整场选秀的公正性就崩了。

为何常见：机器学习社区习惯用单一精确率/误差指标衡量模型，忽略了在材料筛选这类场景中，决策边界处的代价不对称——把不稳定误判为稳定，浪费的是昂贵的实验资源。

误区只要会调PyTorch Geometric、会跑现成的GNN代码，不需要懂材料学也能搞新材料发现。

正解筛选标准设定、权重设计、带隙约束来源、稀缺元素惩罚的系数——每一个环节都依赖材料科学和热力学知识。为什么带隙1.4 eV对光伏重要？为什么分解能要卡在凸包距离附近？不懂这些，目标函数就是空中楼阁。AI只是把海选效率提高，但“选什么样的人”这个定义权，始终握在领域专家手里。

为何常见：工具越来越傻瓜化，容易让人误以为“流程自动化=知识不重要”，却忘了最难的从来不是跑通代码，而是提出一个让机器值得去执行的问题。

面试题

Q1. 新材料筛选中，高通量计算使用的底层物理工具主要是？

单选题 · easy

  • A.分子动力学模拟
  • B.密度泛函理论← 正确答案
  • C.蒙特卡洛采样
  • D.有限元分析

答案：B。密度泛函理论（DFT）是第一性原理计算的核心，无需经验参数即可从量子力学预测材料能量与电子结构。分子动力学依赖经验力场，蒙特卡洛用于采样统计，有限元主要解决连续介质力学问题，它们都不是高通量能量计算的主角。

Q2. 判断一种候选材料热力学是否稳定的关键是？

单选题 · easy

  • A.材料颜色特征
  • B.分解能阈值← 正确答案
  • C.导电性能表现
  • D.机械硬度大小

答案：B。分解能反映材料拆解成更稳定化合物组合时能量变化：分解能过高意味着材料倾向于散架，不稳定。颜色、导电性、硬度都是功能性质而非稳定性的判据，属于通过筛选后才会考察的维度。

Q3. GNoME中用于快速预测材料能量和稳定性的神经网络结构是？

单选题 · mid

  • A.卷积神经网络
  • B.循环神经网络
  • C.图神经网络← 正确答案
  • D.全连接网络

答案：C。晶体结构天然是图结构，原子是节点、化学键是边。图神经网络通过消息传递聚合邻居原子信息，恰好匹配这种非欧几里得结构，因此成为GNoME预测材料性质的主力模型。CNN适合规则网格图，RNN适合序列，全连接无法直接编码原子连接关系。

Q4. 多目标排序中引入“稀缺元素惩罚”的主要目的是？

单选题 · mid

  • A.让材料外观更加美观
  • B.规避依赖稀缺昂贵元素← 正确答案
  • C.提高筛选计算速度
  • D.提升模型预测精度

答案：B。含钴、锂等稀缺元素的材料即使性能优秀，大规模商业化也会受资源瓶颈制约。惩罚稀缺元素相当于在评分中引导算法寻找储量丰富、成本更低的替代方案，这属于多目标优化中“可持续性”维度的具体设计。

Q5. 以下哪一项不属于实验验证优先级排序的考量因素？

单选题 · mid

  • A.模型置信度数值
  • B.合成可行性高低
  • C.材料颜色深浅程度← 正确答案
  • D.候选材料多样性

答案：C。验证优先级关注“有多大把握稳定”“现有条件能否合成”“是否覆盖不同结构族”三点。材料颜色不是决定是否进实验室的因素，它是光学性质，与优先级排序无关。其余三项都是GNoME把38万预测候选压缩到可实验验证清单时采用的排序依据。

Q6. 带隙约1.4 eV的材料特别受光伏应用青睐，核心原因是？

单选题 · hard

  • A.带隙越大理论效率越高
  • B.与太阳光谱峰值匹配最好← 正确答案
  • C.该带隙材料导电率最高
  • D.该带隙材料稳定性最好

答案：B。Shockley-Queisser理论极限指出，光伏材料的带隙在1.34 eV附近时理论转换效率最高，因为太阳光谱的能量峰值恰好落在这个窗口。带隙太宽浪费低能光子，太窄则高能光子能量白白以热能散失。这解释了为何多目标排序中带隙约束常设为1.3~1.5 eV。

Q7. GNoME项目最终在实验室成功合成验证的新材料数量级约为？

单选题 · easy

  • A.数个
  • B.数十个← 正确答案
  • C.数千个
  • D.数万个

答案：B。GNoME与劳伦斯伯克利国家实验室合作，实际合成验证了41种新材料，处于“数十个”量级。预测候选有38万种，但实验验证受资源限制只能抽取一小部分，这也体现了实验验证优先级排序的重要价值。

Q8. 主动学习在GNoME工作流中发挥的核心作用是？

单选题 · extreme

  • A.一次性离线训练完模型再用
  • B.挑选最值得计算的高不确定性候选去算DFT← 正确答案
  • C.只负责可视化预测结果
  • D.直接用模型替代实验合成

答案：B。主动学习形成“模型预测→挑出不确定性高的候选→用DFT计算真实值→回填训练集再训练”的闭环。它把昂贵DFT计算预算集中在模型最没把握、信息增益最大的样本上，避免盲目抽样，是提升代理模型效率的关键策略。它不替代实验，也不做可视化。

Q9. 新材料筛选的多目标排序中，常见的考察维度包括哪些？

多选题 · mid

  • A.热力学稳定性← 正确答案
  • B.带隙约束范围← 正确答案
  • C.稀缺元素占比← 正确答案
  • D.材料名称长度

答案：ABC。稳定性、带隙、稀缺度都是直接影响材料能否实用化的物理与资源维度。名称长度与性能无关，属于荒谬项。多目标排序的精髓就是在稳定性等硬门槛之外，用加权方式平衡多个应用导向的维度，防止单项超强但整体不适用的候选者霸榜。

Q10. 关于GNoME和新材料筛选，下列哪些说法是正确的？

多选题 · hard

  • A.AI可以完全替代实验合成验证
  • B.38万种稳定晶体是AI预测的实验候选← 正确答案
  • C.图神经网络显著加速了性质预测← 正确答案
  • D.筛选标准设定得越严格越好

答案：BC。GNoME预测了38万种热力学稳定晶体，但它们是“待实验验证的候选”，并非全部已合成，因此B正确；AI用GNN把预测速度提到秒级，C正确。A错误——实验合成依然不可替代；D错误——筛选标准过严会误杀可通过掺杂等手段调整的潜力材料，加权平衡优于一味加严。