Cell Press有奖注册！清华、厦大教授在线分享：AI赋能材料设计与研发

2009年毕业于北京大学化学与分子工程学院，2013年在美国北卡罗莱那大学教堂山分校获得博士学位。2013-2015年在芝加哥大学开展博士后研究。2015-至今厦门大学教授，国家杰出青年科学基金获得者，闽江特聘教授。主要研究方向是金属有机单层（Metal-Organic Layer = MOL）及人工智能技术在催化化学中的应用。发表论文90余篇，他引9000余次。汪骋教授曾获美国化学会无机化学青年化学家奖（2013）、中国化学会青年化学奖(2020)、中国化学会纳米化学新锐奖（2021）等多项奖励。

利用人工智能进行先进催化剂设计：二氧化碳减排案例研究

在这次演讲中，我将重点介绍人工智能(AI)，特别是机器学习在变革催化剂设计中的应用，以铜基催化剂用于二氧化碳还原的案例研究为例。通过解码C2+产品有机修饰后法拉第效率的变化，我们利用机器学习来提供传统方法难以阐明的见解。同时，我们采用自动化实验装置以创造与铜表面一致粘附的炔共轭聚合物改性剂。这种人工智能分析与自动化实验的协同集成促进了假设、测试、学习和改进的快速循环，大大加快了能源和环境应用的材料设计。最后将展示我们为研究二氧化碳减排催化剂而开发的人工智能驱动平台，强调了人工智能在科学发现中的变革潜力。

王笑楠，清华大学化工系长聘副教授、特别研究员、博士生导师、国家高层次人才计划入选者。新加坡国立大学荣誉副教授、博士生导师。创建了智慧系统工程研究中心，开展低碳智慧系统工程和AI+能源化工材料的研究。2011年本科毕业于清华大学化学工程系，2015年获加州大学戴维斯分校化学工程和控制科学博士，赴英国伦敦帝国理工学院任博士后研究员、未来能源实验室硕士生导师和讲师。2017年起担任新加坡国立大学化工与生物分子工程助理教授、副教授，领导新加坡最大的AI加速材料开发计划。任科技部2022年度“新一代人工智能”重大项目首席科学家、项目负责人。在Nature Machine Intelligence、Nature Review Materials、Matter、JACS等期刊发表学术论文140余篇，H-index 41，参与撰写3部专著。担任Applied Energy、Artificial Intelligence Chemistry等十本国际期刊副主编和编委，入选世界前2%顶尖科学家、2022福布斯中国科技女性50榜单，获得2023美国化学会可持续化学与工程讲席奖，2021新加坡最佳青年首席研究员奖、英国皇家学会国际交流奖和国际能源高被引论文奖等奖项。

人工智能加速化工材料发现的主动学习方法与通用大模型展望

开发具有自主知识产权的高效化学品和新材料对我国国民经济发展，实现碳达峰、碳中和目标至关重要。利用人工智能（AI）方法来优化和加速新材料、新过程的设计和开发，有望减少大量耗时费力的试错和实验，针对化学品和新材料的结构、功能、反应机制等构建更高效精确的数据驱动模型。本报告将介绍多层次、多尺度、融合知识的化学材料数据平台构建方法，进一步探讨跨尺度机器学习模型构建及化学材料快速精准生成方法，并基于此实现面向碳中和的一系列重要技术，如高性能催化剂、膜材料和新能源关键材料等的发现和突破。基于干湿结合的实验和表征平台，通过采集大量数据，基于在线主动学习方法可以有效地指导实验，突破现有性能并实现对全设计空间的理解。当前，具有普适性的通用人工智能正迎来重要的发展拐点，预训练大模型等技术使其能够在不同领域和任务中学习并发挥应用价值，有望在科学领域取得突破性发现，本报告最后将展望未来AI赋能碳中和关键化学材料和技术研发的发展趋势和面临的挑战。

武汉大学电气与自动化学院教授，博导。剑桥大学博士、博士后。具有丰富的第一性原理计算模拟和器件设计方面的经验和工作积累，共发表论文190余篇，包括Nature, Nat. Commun., AFM, Angew., Patterns, ACS Catalysis, npj 2D Mater. Applications, APL, IEEE TED等顶级期刊，其中包括ESI高被引5篇。谷歌学术因子42，引用6000余次。获得武汉大学“我心目中的好导师”等荣誉称号，多名学生获得国家奖学金、“十大学术之星”、学术创新一等奖等奖项。主要研究方向：宽禁带半导体材料与器件、电工电子材料、能源存储与转换、光催化与电催化、电化学、高熵合金、环保绝缘气体等领域的理论计算与实验研究。

机器学习在高熵材料中的应用

高熵材料包括高熵合金、高熵陶瓷、高熵氧化物等，具有高熵效应、晶格畸变效应、缓慢扩散效应和鸡尾酒效应等特征。近年来，其在机械、生物、医药和能源材料领等领域的发展引起了人们广泛关注，然而，具有有价值性质的高熵材料往往依赖于偶然发现，在复杂的成分空间中寻找这些类型的合金极具挑战性，因此开发高性能模拟方法来探究高熵材料具有重要意义。常见的一些模拟计算方法，比如第一性原理和基于热力学数据库的方法可以提高科研工作者的探索效率，但与传统材料相比，高熵材料中元素的数量以及微观结构的多样性使计算的复杂性与密集程度大幅增加。机器学习是以数据为中心的强大工具，与高熵材料的探索设计相结合展现出了巨大的潜力。近年来，我们的团队以第一性原理计算和分子动力学模拟为基础，结合机器学习方法，对高熵材料在催化、力学和合成等领域进行了深入研究。本报告将重点介绍我们对高熵合金表面氧还原反应（ORR）催化活性的机器学习模型，以及对影响吸附强度的内在机制的研究。同时，我们还将结合原位实验和多尺度计算方法，对温和条件下合成高熵合金的过程进行深入探讨，并对高熵合金纳米颗粒的晶体结构和力学性质进行观察和模拟。

林昶旭，清华大学化学系学士、博士毕业。2015年起在厦门大学物理科学与技术学院工作，院教学指导委员会委员。2022年起，固体表面物理化学国家重点实验室固定研究人员，嘉庚创新实验室双聘副研究员。研究兴趣为面向物理和化学自动化实验。同时着力交叉创新人才培养教学工作， 主持多项省级、校级教改及“一流课程”建设项目。

面向交叉学科的教学实践——《化学自动化》课程

智能分子制造是一个新型的化学与信息技术的交叉学科。也对兼具信息技术与分子科学两方面知识的人才培养提出了数量和质量上的新的需求。厦门大学“化学测量学”新工科专业，将《化学自动化》列为专业先导课程，为智能分子制造对于兼具化学专业与相关软硬件信息技术综合应用能力的中坚执行力量。培养学生在工程思维、系统思维、自驱动的学习、动手能力、数字化思维、展示传播等方面的能力。使学生获得面向社会需求的能力矩阵。探索智能化学交叉学科的培养体系与标准。