美国能源部下属劳伦斯伯克利国家实验室宣布，其研究团队成功开发出一种新型 AI 建模方法，能够准确、快速地预测固体材料之间反应随时间演变的全过程。这是有史以来首个将原子在固态反应中的迁移行为纳入预测框架的模型，相关成果已发表于材料科学顶级期刊《Nature Materials》。

长期以来，材料合成是制约新材料产业化的核心瓶颈。借助 AI 驱动的计算工具，科学家如今已能高效筛选出具备理想性能的候选材料，但要将这些材料真正合成出来却异常困难。以无机固体常用的粉末高温烧结法为例，原料混合加热后往往得到多种意外化合物的混合物，而非目标产物。摸索出正确的合成配方，可能需要数周甚至数年的反复试错。

此前的计算模型主要基于热力学进行预测，即判断哪些反应在能量上最有利、能生成最稳定的产物。然而热力学只回答了两种材料 "想不想反应" 的问题，却无法解释原子 "能不能到达反应位点" 这一关键的动力学因素。在固体中，原子移动速度远慢于液体，即便两种材料反应倾向强烈，若适量原子无法迁移到反应界面，反应也可能不会发生。正因如此，固态反应通常需要将原料加热至 800°C 甚至更高温度以提升原子迁移能力。

伯克利团队的新模型正是瞄准了这一空白。该框架在热力学基础上，创新性地引入经训练的机器学习模型，专门预测原子在材料中的迁移速率。模型设计基于一个核心假设：两种固体之间的反应界面处于高度无序状态。论文作者、伯克利实验室资深科学家兼加州大学伯克利分校教授 Kristin Persson 比喻道："想象演唱会结束后人群涌出场馆的混乱场景 —— 原子在反应位点就是这样，反应要发生，原子必须穿过极度无序的区域。"

该模型输入包括起始材料、配比及升温曲线，仅需数分钟即可模拟从始至终的完整反应路径，揭示中间产物、最终产物及杂质的生成情况。研究团队选择钡钛氧化物体系进行验证 —— 这是一类在电子领域有重要应用的经典材料，其反应受动力学影响极强，多种产物热力学稳定性极为接近，反应走向几乎完全由原子迁移难易程度决定。模型模拟了不同配比的氧化钡与二氧化钛在不同温度下随时间的反应路径，并与文献中积累数十年的实验数据比对，结果高度一致。Persson 表示："模型对整个事件序列 —— 包括中间化合物、最终产物和杂质形成 —— 都做出了正确预测。"

这一突破为材料科学家和产业界提供了制备先进材料的 "最佳配方" 指导，有望大幅缩短合成周期、提升产物纯度与产率，缩小材料发现与惠及社会的新技术之间的鸿沟。目前该模型针对钡钛氧化物动力学专门训练，团队下一步计划将其拓展至其他类别固态材料，最终利用大规模动力学数据集训练出可适用于几乎任意固态体系的基础模型。该研究由美国能源部科学办公室资助。