《Next Nanotechnology》：Generative artificial intelligence for nanomaterial discovery and nanoengineering: From data-driven design to autonomous laboratories
从传统的试错实验出发，纳米材料研究正朝着以数据为中心和自主发现的范式发展，该范式将纳米技术与人工智能（AI）相结合。本综述严格审视了生成式人工智能（包括生成对抗网络（GANs）、变分自编码器（VAEs）、扩散模型、Transformer架构和大语言模型（LLMs））如何实现纳米材料的逆向设计，并支持跨多种应用领域的纳米工程。本综述对AI驱动的纳米材料发现进行了结构化且批判性的调查，重点关注生成模型探索纳米尺度组成–结构空间的研究，以及自驱实验室（SDLs）在设计、合成、表征和性能评估之间闭合回路的研究。研究人员对用于纳米材料任务的主要生成架构进行了比较分析，强调了它们在有效性、新颖性、多样性、条件控制和计算成本方面的差异。讨论了代表性案例研究，其中生成模型和自主实验已产生了经实验验证的纳米材料，如量子点、纳米多孔框架和功能性纳米复合材料。一个专门的章节分析了数据基础设施和纳米特有的挑战，包括尺寸依赖现象、表面和界面主导性、缺陷敏感性、纳米–生物相互作用和数据集偏差。研究了人工智能在纳米材料中的基本局限性，涵盖形态丰富系统的数据稀缺性、可解释性、可重复性、安全性和监管方面。最后，本综述概述了多模态基础模型、物理信息生成框架、智能体AI科学家、数字孪生（DTs）和下一代自驱实验室（SDLs）的研究优先事项，这些可以在保持科学可靠性和伦理责任的同时加速纳米材料发现。总之，这些观点将生成式AI定位为未来纳米工程的关键引擎，前提是在算法进步的同时开发纳米特定数据生态系统和严格的验证工作流。
1. Introduction（引言）
纳米技术能够在原子和分子尺度上操纵物质，从而获得具有定制电子、光学、机械和化学性质的纳米材料，如量子点、金属有机框架（MOFs）和纳米复合材料。由于设计空间涉及组成、形貌、缺陷结构和加工条件，传统试错法难以穷举探索，因此研究正转向数据驱动和人工智能（AI）辅助策略。本综述旨在提供以纳米为中心的生成式AI方法综合，比较不同架构在性能、可控性和实践准备度上的差异，并系统分析2020至2026年AI驱动纳米材料发现的文献，包括生成模型与自驱实验室（SDLs）结合获得实验验证的案例。
1.1. Literature search methodology（文献搜索方法）
本综述基于对2020年1月至2026年8月间相关文献的结构化全面检索，覆盖Scopus、Web of Science等数据库，使用“生成式人工智能”“纳米材料”“逆向设计”“自驱实验室”“数字孪生”等关键词组合，筛选与纳米材料设计、合成、表征、性能预测、自主实验或AI科学发现相关的研究，并按AI方法、纳米材料类别、目标性质、数据表示、实验集成度、验证水平等维度进行主题分析。
2. Fundamentals of generative AI（生成式AI基础）
生成式AI建立在AI、机器学习（ML）和深度学习（DL）的层次概念之上。判别式模型学习“结构→性质”的映射，而生成式模型学习数据分布并能根据目标属性采样新候选，从而实现逆向设计。
2.1. AI, ML and DL in nanoengineering（AI、ML和DL在纳米工程中的应用）
经典ML方法（如随机森林、梯度提升）广泛用于性质预测和相分类；DL方法（如CNN、GNN）可直接从图像或图结构学习特征。但这些模型主要是判别式的，不能直接提出新纳米材料，需要生成架构来弥合这一差距。
2.2. Generative architectures and inverse design（生成架构与逆向设计）
生成对抗网络（GANs）通过对抗训练生成化学上合理的组成；变分自编码器（VAEs）学习连续潜空间，支持插值和性质条件采样；扩散模型通过反向去噪生成高保真结构；自回归Transformer按序列生成纳米结构。这些架构均可用于指定目标性质（如带隙、孔径）的逆向设计管道。
2.3. Foundation models and LLMs（基础模型与大语言模型）
基础模型是在广泛数据上预训练的大型神经网络，可针对特定任务微调。LLMs能挖掘文献中的合成方案、生成假设，并与结构生成模型交互，支持多智能体协调和可解释性。
2.4. Comparative overview of AI paradigms in nanoengineering（纳米工程中AI范式的比较概述）
表格对比了经典ML、DL、GAN、VAE、扩散模型、自回归Transformer和LLMs/基础模型在核心思想、优点、局限和典型角色上的差异，表明生成式AI不替代预测模型，而是互补地解决问题。
2.5. Critical perspective on the evolution of generative AI for nanoengineering（对纳米工程生成式AI演进的批判性视角）
生成式AI经历了从GAN到VAE再到扩散模型和Transformer/LLM的演进。扩散模型在多样性、有效性和条件生成方面表现优越，但计算成本高；LLMs则扩展为科学推理系统。未来平台预计将采用混合生态，结合多种模型和自主实验室。
3. Data infrastructure for AI-driven nanomaterial discovery（AI驱动纳米材料发现的数据基础设施）
高质量数据是生成式AI和自驱实验室的基础。纳米材料数据分散，缺乏粒度、形貌、表面化学和稳定性信息，需要FAIR（可查找、可访问、可互操作、可重用）原则和本体支持。
3.1. Materials databases and repositories（材料数据库与存储库）
列举了Materials Project（MP）、OQMD、AFLOW、NOMAD、JARVIS、NanoMine、NanoCommons和Materials Data Facility（MDF）等平台。大数据库主要覆盖体相晶体结构，纳米特定数据（如聚合物纳米复合材料、纳米-生物相互作用）规模较小。
3.2. Nano-specific data gaps and FAIR initiatives（纳米特定数据缺口与FAIR倡议）
现有数据库缺乏纳米尺度形态、表面化学、缺陷分布和加工条件信息。需建立纳米特定本体、受控词汇和机器可读知识图谱，以便整合异质数据并支持逆向设计目标。
3.3. Critical perspective: data quality as the primary bottleneck（批判视角：数据质量是主要瓶颈）
算法能力已足够，但数据质量、多样性和完整性限制了生成模型的可靠性。改进数据治理、标准化元数据和可互操作本体是战略研究优先事项。
4. Generative AI for nanomaterial design（用于纳米材料设计的生成式AI）
生成式AI通过直接探索组成-结构空间，满足性质、稳定性和可合成性约束。与预测ML和SDLs集成时效果最佳。
4.1. Generative architectures for nanomaterials（纳米材料的生成架构）
GANs适合组成空间采样；VAEs提供连续潜空间用于MOFs和纳米复合材料设计；扩散模型生成高保真晶体或多孔结构；自回归Transformer用于序列式结构生成；LLM耦合生成器整合文献知识。
4.2. Application domains of generative AI in nanomaterials（生成式AI在纳米材料中的应用领域）
应用于量子点（探索核/壳组成和配体化学）、MOFs和多孔材料（优化吸附和分离）、聚合物纳米复合材料（平衡导电性、机械性能）、纳米催化剂和纳米吸附剂（高熵组成设计）。
4.3. Experimentally validated case studies（实验验证的案例研究）
多个案例中生成模型与自主实验结合，产生了经实验验证的量子点、纳米多孔框架、聚合物纳米复合材料和纳米催化剂。表格总结了数据规模、生成策略和性能提升，证明闭环工作流可减少实验次数并发现非传统组成。
4.4. Nanospecific challenges in generative design（生成设计中的纳米特定挑战）
包括尺寸效应与量子限域、形貌复杂性、表面和界面现象、缺陷与无序、多尺度行为、多模态表征数据、纳米-生物相互作用以及数据稀缺和质量问题。这些因素要求生成模型在潜空间、图结构或序列中显式编码相关信息。
4.5. Comparison of generative model types for nanomaterials（纳米材料生成模型类型比较）
表格对比了组成型GAN、结构VAE、扩散模型、自回归Transformer和LLM耦合生成器在表示、任务、优点和局限上的差异。扩散和Transformer近年更受关注，但没有单一架构普遍最优。
4.6. Experimentally validated generative and SDL case studies（实验验证的生成与SDL案例研究）
基于锰的纳米吸附剂通过ML引导闭环优化实现水中重金属去除；量子点合成采用多机器人SDL平台自动探索前驱体和工艺参数，大幅提高数据采集效率和优化速度。这些案例证明生成式AI与SDL能交付真实纳米材料。
5. Autonomous laboratories, DTs and MAPs（自主实验室、数字孪生与材料加速平台）
自主实验室（SDL）结合机器人、AI和自动表征形成闭环工作流，可提高实验通量和设计空间覆盖率。
5.1. Architecture of SDLs for nanomaterials（纳米材料SDL的架构）
典型架构包括数据采集与整理、AI引导实验选择（主动学习和贝叶斯优化）、机器人合成与加工、自动表征以及模型更新与持续学习。
5.2. Demonstrated autonomous and ML-assisted platforms（已展示的自主和ML辅助平台）
综述了多个具体平台：银纳米粒子微流控合成中结合贝叶斯优化和深度神经网络；同步辐射束线上的贝叶斯主动学习闭环发现；机器人辅助纳米粒子合成优化；“人工化学家”自主量子点合成机器人。这些展示SDL原则在纳米相关场景中的可行性。
5.3. DTs and MAPs for nanoengineering（纳米工程的DTs与MAPs）
数字孪生（DT）通过耦合反应动力学、输运和结构演化模型来模拟合成过程；材料加速平台（MAPs）集成DT、SDL、生成式AI和数据基础设施，实现持续学习。纳米安全与监管约束需纳入其中。
5.4. Integrated autonomous nanoengineering ecosystem（集成自主纳米工程生态系统）
生成AI、DT、SDL和MAP的融合形成连续闭环：生成候选→计算筛选→DT虚拟测试→SDL实验验证→数据反馈更新模型。这种生态系统能缩短发现周期、提高可重复性并实现自主优化。
6. Challenges and limitations of generative AI for nanomaterials（生成式AI在纳米材料中的挑战与局限性）
部署受到可解释性、数据质量、可重复性、伦理、纳米安全与监管等多方面约束，纳米尺度的小变化可能显著影响性能和风险。
6.1. Interpretability and scientific insight（可解释性与科学洞察）
深度生成模型常是黑箱，需要特征重要性、显著性分析等可解释ML方法，以便将生成候选与物理机制关联，建立信任并支持假设生成。
6.2. Data quality, quantity and representativeness（数据质量、数量与代表性）
纳米数据集存在稀缺、噪声和覆盖不足问题，缺乏粒度分布、形貌、表面功能化等关键描述符，负结果不报告，导致生成模型重现已知模式而忽视非常规区域。
6.3. Reproducibility, benchmarking and validation（可重复性、基准测试与验证）
可重复性要求透明记录模型架构、超参数、数据拆分和实验条件。SDL系统受反应器设计、传感器校准等影响，跨实验室复现困难。需要标准化基准和公开数据集。
6.4. Ethical governance and responsible AI（伦理治理与负责任AI）
部署需遵循善行、非恶意、自主和公正原则，考虑环境影响和不平等获取。目标定义不应只追求性能，还需纳入可持续性和社会影响，并让利益相关者参与监督。
6.5. Nanosafety and nanotoxicology（纳米安全与纳米毒理学）
AI可用于预测不良生物和环境效应，但需要高质量数据和标准化协议。生成模型应整合毒性、生物累积和持久性指标，避免提出有风险的材料。
6.6. Regulation, product safety and foundation models（监管、产品安全与基础模型）
基础模型必须满足物理约束、提供校准的不确定性评估，避免幻觉和违反守恒律。生成式AI用于消费品或医疗产品时，需纳入既有风险评估和监管流程。
6.7. Critical perspective and research priorities（批判视角与研究优先事项）
未来进展更依赖于数据基础设施、自主实验和跨学科合作，而非单纯算法复杂度。优先事项包括生成AI与物理信息建模、DT、SDL和MAP的集成，以及开发可信、有校准不确定性和纳米安全评估的负责任AI。
7. Future research directions and roadmap（未来研究方向与路线图）
未来研究需将多模态基础模型、物理信息学习、智能体AI科学家和治理框架整合到负责任设计、合成和部署平台中。
7.1. Multimodal LLMs and foundation models（多模态LLMs与基础模型）
LLMs可辅助文献挖掘、代码生成、假设提出和工作流自动化。多模态基础模型可联合处理结构、性质、合成过程、光谱、图像和文本，对纳米工程特别重要。需维护物理一致性和校准不确定性。
7.2. Physics-informed generative AI（物理信息生成式AI）
物理信息机器学习（PIML）和物理信息神经网络（PINNs）可将守恒定律和对称性嵌入损失函数，在小数据或强物理先验场景中提高泛化。用于纳米领域可强制热力学稳定性、量子限域等约束，减少非物理候选。
7.3. Agentic AI scientists and autonomous discovery workflows（智能体AI科学家与自主发现工作流）
多智能体AI系统可协调实验规划、多模态数据解释和候选优化。例如用于ORR电催化剂发现。未来智能体应具备模块化能力、标准化接口和人类监督机制，并需评估其有效性、可重复性和安全性。
7.4. Roadmap for autonomous nanoengineering platforms（自主纳米工程平台路线图）
近期：LLM辅助决策支持和物理信息DT开发。中期：多模态基础模型与SDL/MAP耦合形成半自主平台。长期：开发集成交互的多智能体生态系统，支持跨模态模型、物理约束、自主实验和治理框架。需区分高通量自动化与真正的自主科学发现。
7.5. Toward Autonomous Scientific Discovery（迈向自主科学发现）
自主科学发现需要系统能够解释新证据、修正假设、识别不确定性并决定是否请求人类干预。未来平台应强调人类-AI协作，而非完全取代研究者，并在循环中保留战略和安全监督。
8. Conclusions（结论）
生成式AI正将纳米材料发现从正向预测推向逆向设计。但科学价值取决于是否符合纳米特定物理约束并能实验验证。SDL、DT和MAP提供了连接计算与实验的基础设施。未来需要数据基础设施、物理一致性、实验验证和负责任治理的协同发展，以实现可靠和自主的纳米工程。
