综述：计算材料学在实现可持续发展目标中的作用：一项综述

这篇综述系统评估了计算材料学（CMS）技术如密度泛函理论（DFT）、分子动力学（MD）和机器学习（ML）如何推动清洁能源（SDG 7）、水净化（SDG 6）等可持续发展目标，揭示了其通过高通量筛选和跨学科协作加速可持续材料设计的潜力。

　　

计算材料学与可持续发展目标的交汇

摘要

计算材料学（CMS）通过密度泛函理论（DFT）、分子动力学（MD）和机器学习（ML）等技术的整合，正成为实现联合国可持续发展目标（SDGs）的关键驱动力。从清洁能源到水净化系统，CMS的高通量筛选和原子级预测能力显著降低了传统实验的资源和时间成本，同时为政策制定提供了科学依据。

技术框架与工作流程

CMS的演进经历了从实验到数据驱动的四个范式（图2）。DFT通过求解薛定谔方程预测材料的电子结构和稳定性，而MD模拟原子运动以评估热力学行为。ML则通过分析海量数据集（如Materials Project）加速材料发现，例如预测钙钛矿太阳能电池的带隙（SDG 7）。三者协同形成“设计-模拟-验证”闭环（图3），其中多模态深度学习系统（图4）能同时预测机械、电子和热学性质，推动SDG 9（可持续基础设施）和SDG 12（负责任消费）的实现。

政策转化与实证案例

计算预测已转化为实际应用：

• 清洁能源：DFT设计的无铅双钙钛矿Cs₂AgBiBr₆通过实验验证，成为高效光伏材料（SDG 7）。

• 水处理：MD优化的石墨烯氧化物膜实现选择性离子过滤（SDG 6），实验证实其抗污染性能。

• 气候行动：MOFs材料经计算筛选后用于碳捕获（SDG 13），其CO₂吸附效率提升3倍。

挑战与优化策略

尽管CMS潜力巨大，仍面临数据碎片化、计算能耗高（如DFT单次模拟耗电≈家庭日用量）和模型偏差等挑战。解决方案包括：

1. 低能耗建模：替代模型（如CGCNN）将DFT计算能耗降低90%；

2. FAIR数据原则：开放数据库（如AFLOWLIB）促进全球协作；

3. 跨尺度验证：通过XRD和TEM等实验校准模拟结果（42%研究采用）。

跨SDG贡献

• SDG 7：ML筛选的Li₁₀GeP₂S₁₂固态电解质推动电池革新；

• SDG 9：MD优化的碳纳米复合材料提升建筑韧性；

• SDG 12：PLA降解路径模拟指导可回收聚合物设计。

未来方向

建议建立“计算-实验-政策”三位一体框架（表1），例如将DFT预测的带隙数据直接映射至可再生能源投资政策。通过开源工具和伦理AI（如避免数据集偏见），CMS有望在2030年前将材料研发周期缩短70%，真正实现“可持续的科学”。

结语

从量子计算到宏观政策，CMS正重塑材料科学的可持续发展路径。正如作者所述，唯有融合DFT的精度、MD的动态视角和ML的规模优势，方能破解全球性挑战——这不仅是技术的胜利，更是人类集体智慧的见证。