【人民大学｜Chinese Physics Letters】InvDesFlow：AI驱动的材料逆向设计流程探索潜在高温超导体

文章信息

题目（英文原题）

：InvDesFlow: An AI-Driven Materials Inverse Design Workflow to Explore Possible High-Temperature Superconductors

作者

：韩小琪，欧阳振峰，郭朋杰，孙浩，高泽峰*，卢仲毅*

单位

：中国人民大学物理学院暨光电功能材料与微纳器件北京市重点实验室；量子态构建与操控教育部重点实验室（中国人民大学）；合肥国家实验室；中国人民大学高瓴人工智能学院

期刊

：Chinese Physics Letters（中国物理快报），2025年，第42卷，第4期，047301

DOI

：10.1088/0256-307X/42/4/047301

一句话概括

该研究提出了一个名为InvDesFlow的AI驱动的材料逆向设计流程，能够在极少样本下生成并筛选出74种可能的高温超导体候选材料，其中两种材料经一性验证具有超过15 K的超导转变温度。

研究背景与科学问题

高温超导材料自发现以来在MRI、量子计算、核聚变和高效能传感等领域具有关键应用。

传统寻找高Tc

超导体的方法依赖人工经验与数据库搜索，探索范围有限。当前主要挑战包括：

缺乏可全面生成新晶体结构的算法

；

现有AI模型多数依赖化学式层面的数据

，无法准确捕捉原子层级结构特征；

高质量超导材料样本稀缺

，制约模型泛化性能。

因此，需要一种既能生成新型晶体结构，又能结合物理原理的AI方法，以实现真正意义上的“逆向设计”。

技术原理与创新点

团队开发的InvDesFlow系统融合了深度模型预训练与微调、扩散生成模型（diffusion model）、以及从头算（DFT）物理验证三大模块，其主要创新包括：

对称约束扩散模型

：能够从有限数量的超导晶体样本中生成全新的晶体结构；

超导性分类模型

：利用图神经网络（GNN）结合最优传输理论实现超导/非超导判别，准确率达99.04%；

改进的形成能预测网络

：在MEGNET基础上扩展原子图半径至8 Å，并引入8个关键原子特征，将预测精度提升至21 meV/atom；

主动学习机制

：通过循环式生成与验证，不断扩充高TcTc材料空间。

实验验证与性能

InvDesFlow 生成了数百种候选化合物，经AI预测与DFT筛选，最终获得74 种热力学稳定的高TcTc>=15 K 材料。

重点验证材料包括：

B₅CN₂ : Tc = 15.93 K

Tc=15.

B₄CN₃（5 GPa）: Tc = 24.08 K

DFT计算表明，两者均为金属态，B、C、N 原子的2p2p 轨道主导费米能级电子态。

进一步的声子谱与电子–声子耦合计算确认其动力学稳定性（Fig. 2, Fig. 3 所示）。

学术贡献

提出首个融合生成模型与物理约束的AI材料逆向设计流程；

实现从结构生成稳定性评估TcTc预测DFT验证的全流程自动化材料发现系统；

改进MEGNET模型的能量预测精度，达到当前国际领先水平；

发掘两种未见于任何材料数据库的新型高TcTc候选材料。

局限性与未来方向

由于当前高温超导样本数量有限（仅105例），模型可能在化学成分上仍存在偏倚。

未来工作将通过：

扩充外部高温超导数据集，

提升TcTc预测模型多样性，

持续引入主动学习循环，探索未知化学空间。

总结

InvDesFlow展示了AI在材料科学中的变革潜力：

它通过融合生成模型与物理先验，实现了高温超导体的小样本智能发现。

这一工作为AI+材料设计领域提供了创新的范式，也为未来如电化学、磁性、拓扑材料等领域的逆向设计提供可借鉴的框架。

图文赏析

图1.InvDesFlow总体框架：包含晶体结构生成、形成能预测、超导性分类、TcTc预测及DFT验证模块。

图2.B₅CN₂ 与 B₄CN₃（5 GPa）电子结构与态密度，对比DFT结果与Wannier投影。

图3.两种材料的声子谱及电子–声子耦合常数分布，确认其动力学稳定性。

数据与代码开放来源：

https://github.com/xqh19970407/InvDesFlow