阿里达摩院与多家机构合作推出AI智能体“ElementsClaw”，专注于超导材料的发现。该AI在28个GPU小时内筛选240万种晶体，预测出6.8万种可能的超导体，效率远超人类。实验验证发现4种新超导体，AI的命中率达到40%。研究团队开放数据，鼓励全球科研人员共同探索，标志着人机协作的新阶段。

量子计算机尚未完成实用任务，现有设备规模小且错误率高。尽管有雄心勃勃的目标，独立研究者对其宣传表示质疑。量子计算在药物开发和材料科学中具有潜力，但仍面临技术挑战和高成本。

近年来，机器学习在材料科学中的应用逐渐深入，特别是在高维光谱数据的预测与解析方面。日本东京科学研究所的研究团队提出了一种新方法，利用深度学习模型ALIGNN处理光吸收光谱数据，显著提高了预测精度。研究构建了包含2681种材料的数据库，并通过特征提取与聚类分析，成功识别出影响光谱特征的关键元素及其配位环境，为材料设计提供了新的思路和工具。

麻省理工学院的研究人员开发了一种新技术，通过捕捉材料中的化学排列，提升金属合金等复杂材料的性能预测。该方法利用机器学习模型，加速并提高了材料行为的模拟精度，特别是在化学无序材料中表现优异。这种方法可用于开发新材料，适用于航空航天和可持续钢材等领域。

材料AI模型MPA通过中期训练和混合头设计，显著提升了对真实实验数据的预测能力。在40个工业任务中，MPA表现优异，尤其在新结构方面展现出强大的“物理直觉”。该方法结合理论计算与实验数据，推动了材料科学的发展。

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。