麻省理工学院研究团队开发的DefectNet模型能够从声子态密度光谱中无损识别多元素材料中的点缺陷的化学种类及浓度。该模型经过大量数据训练，展现出良好的预测能力和泛化性，为缺陷工程提供了新的研究方向。

瑞士洛桑联邦理工学院提出的DYNAMI-CAL GraphNet结合物理规律与图神经网络，显著提高了多体动力系统的建模精度和稳定性，适用于机器人和航空航天等领域。

文章探讨了人工智能在材料科学中的重大影响，强调其通过“逆向设计”提高材料创造效率，改变了我们对物质的理解，推动科学与哲学的变革。

五位戈登·贝尔奖最终选手利用NVIDIA超级计算机在气候建模和材料科学等领域进行研究，推动AI与高性能计算的发展，相关成果已在ArXiv上公开。

科学家们正在寻找新材料以支持未来技术，如液冷数据中心和高分辨率显示器。NVIDIA在SC25会议上推出的AI微服务和数据处理管道，推动了化学和材料科学的发展，应用于航空和能源等行业。布鲁克海文国家实验室利用NVIDIA Holoscan平台实现纳米级材料成像，提升实验效率。日本ENEOS和美国Universal Display Corporation等公司正在使用NVIDIA ALCHEMI微服务，加速新材料的发现与开发。

谷歌的Willow量子芯片在低温下利用稀释分层制冷器实现了量子计算的新突破，能够模拟原子间的相互作用。实验结果验证了其实际应用潜力，特别是在药物研发和材料科学领域。尽管面临规模问题，量子计算的实用性探索仍在推进。

米兰达·施瓦克是麻省理工学院的材料科学研究生，她研究黄油对姜饼屋结构的影响，并致力于开发高能效的神经形态计算材料。同时，她积极参与科学传播，鼓励年轻人投身科学与技术领域。

MIT团队提出SpectroGen模型，通过物理先验生成高保真光谱，解决了传统材料表征效率低、成本高的问题，实现了材料发现与验证的同步，推动材料科学向新范式发展。

人工智能正在改变材料科学，尤其是在高熵材料的研发方面。上海交通大学的研究团队开发了CGformer模型，结合全局注意力机制与传统方法，提高了材料性能预测的准确性。该模型在高熵钠离子固态电解质研究中表现突出，显示出在新能源领域的应用潜力。

麻省理工学院的研究人员开发了ChemXploreML，这是一款用户友好的桌面应用程序，利用机器学习预测分子属性，无需深厚的编程技能。该应用程序能够自动将分子结构转化为数值语言，并通过直观界面快速预测熔点、沸点等属性，旨在加速新药和材料的研发。ChemXploreML可离线使用，确保研究数据的保密性，并具备未来技术的整合能力。

麻省理工学院的研究人员开发了一种全自动机器人系统，能够快速测量半导体材料的光导电性，结合机器学习和材料科学，显著提高测量速度和精度。该系统每小时可进行超过125次独特测量，推动新型太阳能电池的研发。

谷歌DeepMind的AlphaEvolve AI系统打破了56年的矩阵乘法记录，发现了更高效的算法。该系统与Gemini LLMs合作，优化数据中心，提高计算效率，并在多个数学问题上取得突破，推动材料科学和药物发现等领域的发展。