本文统计和分析了2022年度国家自然科学基金委员会工程与材料科学部无机非金属材料学科（E02）基金项目的申请、受理、评审和资助情况，总结了学科项目的中期与结题管理，介绍了学科在本年度深化落实科学基金改革相关措施与成效，并就学科高水平创新人才与团队培养、学术交流与研讨、重大项目组织、代表性成果等管理工作做了详细介绍。

碱金属离子作为水泥原料中常见的杂质离子，其存在会影响熟料矿物结构与性能。采用分析纯试剂合成碱金属掺杂的硫硅酸钙单矿物，借助等温量热仪、综合热分析、扫描电镜和²⁹Si核磁共振等手段，研究了碱金属离子对硫硅酸钙水化活性及力学性能的影响。结果表明：碱金属离子在硫硅酸钙晶体结构中的固溶，能够降低晶体结晶度，形成晶体缺陷，有效提升硫硅酸钙早期水化活性，促进其早期力学性能快速发展。同时，碱金属的掺杂能够改变水化硅酸钙（C-S-H）凝胶等产物的微观形貌及结构。其中，Li₂O掺杂能够稳定絮状形态的C-S-H凝胶，而Na₂O和K₂O掺杂能够诱导C-S-H凝胶纤维状生长。经碱金属掺杂影响，C-S-H凝胶聚合度有所增加，平均硅链长增长。

“材料的过程仿生制备技术”是一种从自然物质精妙的结构形成过程中得到启示、找到灵感，发展材料的合成与制备新技术。本文结合近年来“材料的过程仿生制备技术”的发展现状，围绕自然制造过程及自然制造过程-生物结构的关系，从生物矿化启示的合成与制备、光合作用启示的合成、光合作用和生物矿化相结合的合成与制备等方面综述了该方向现有的研究工作。最后，对“材料的过程仿生制备技术”的研究目标进行了总结，并对其发展趋势进行展望。

伴随互联网智能时代的开启，发光材料的研发模式也从传统的“试错”、“经验指导实验”向“理论预测、实验验证”的新模式转变。高效的理论预测和快速的实验验证是实现这一转变的关键所在。现阶段，高通量计算、机器学习等理论预测方法日渐成熟，单颗粒诊断法等实验方法更加高效，为新型发光材料的研制奠定了理论和实验基础。简要概述了近年来在稀土发光材料领域，基于单颗粒诊断法和高通量计算挖掘发现新型荧光粉的研究进展。

富勒烯和金属富勒烯具有独特结构和新奇电子特性，在生物医药、量子、信息等领域具有巨大的应用潜力。然而，如何提高产量是金属富勒烯走向实际应用的一个必须解决的关键技术难题。要高产量、高选择性的合成金属富勒烯，弄清形成机理、开发新的合成方法是必由之路。本工作聚焦于全面剖析富勒烯和金属富勒烯的形成机理，为突破其产能瓶颈探明道路。一方面，利用密度泛函理论计算和分子动力学模拟富勒烯的形成过程，指导优化富勒烯的合成条件。另一方面，精确控制金属富勒烯合成的惰性气体压力、电弧区组分以及原料组成等条件，制备了一系列具有特定结构和功能的金属富勒烯，发展了金属富勒烯的高效制备策略。最后，还探究了金属富勒烯形成后的保护方法，并取得了一定成效，为将来金属富勒烯的产业化奠定了坚实基础。

大尺寸功能晶体氧化物广泛应用于军事、高端制造、医疗等领域。熔体的结构和性质对于生长大尺寸高质量的功能晶体而言十分关键。本文综述了氧化铝、钇铝石榴石、铌酸锂等典型氧化物晶体的熔体结构特征。研究表明这几种熔体中都存在几种由金属阳离子与氧离子配位形成的不同多面体结构基元，这些结构基元的配位数、键长、空间结构以及各种基元数量的相对占比与晶体中的存在显著差异，并且结构基元的种类和占比与温度具有一定关联关系。在熔体中，这些结构基元相互连接形成网状结构，阴阳离子都可以作为节点在熔体中连接结构基元多面体。相变和熔体结构动态转变反映了晶体生长的热力学和动力学过程，揭示结构相变和熔体的结构演变动力学过程将有助于从深层次理解大尺寸晶体的实际生长机理。在生长界面处诱导形成特定熔体结构基元，构筑长程、均一的介尺度化学键合结构，有助于实现高品质大尺寸晶体生长。

以低维铁基材料为典型代表的磁性纳米材料，在医学健康领域具有重要且广阔的应用前景，近年来引起了国内外研究者的广泛关注和大量研究。综述了近几年在高性能铁基纳米颗粒合成、相关形成机制研究以及生物医学应用等方面取得的进展。此外，也探讨了一系列典型二维铁基纳米材料及其复合结构的可控合成、界面性质调控以及其在生物医学领域的应用前景。

高性能钾离子电池的发展及应用是中国战略性新兴产业的重大需求，也是储能二次电池发展的新体系与新方向。然而，目前钾离子电池仍面临扩散动力学慢及输运机制不明、容量衰减快和本征衰减机制难以揭示等难题。本文系统总结了国家自然科学基金重点项目“分级介孔纳米线钾离子电池正极材料的表界面调控及原位作用机制”的最新研究成果，系统阐述了钾离子电池研究中的关键科学问题和技术瓶颈，并提出了解决以上问题和瓶颈的高效策略。

机器学习已成为新材料研发的重要变革性手段，但材料数据样本量少、噪音高等特点为数据驱动的研发模式带来巨大挑战。本工作将无监督学习应用于挖掘高介电常数的钙钛矿材料。针对标签数据少的问题，通过聚类学习的方法不断优化迭代来缩小搜索空间，最终筛选出了BaHfO₃和BiFeO₃等20种具有高介电常数潜力的钙钛矿材料，并通过降维分析等手段从元素种类、晶体结构和容忍因子等方面展开规律分析，挖掘钙钛矿材料结构与介电常数之间的关联。该方法为解决材料性能数据标签的缺失提供了一种思路，可应用于筛选和挖掘其他新型功能材料。

由于热障涂层体系结构的复杂和服役环境的恶劣，极易导致涂层发生界面分层、宏观断裂和剥落失效。首先利用声发射技术实时监测了热障涂层在三点弯曲载荷下的失效过程，结合微观形貌特征、声发射参数分析、K-means聚类分析识别了热障涂层损伤失效模式。然后利用Fourier变换、小波包变换等分析了4种失效模式的波形特征，其中宏观断裂或剥落失效信号无明显频带，而基底变形、表面垂直裂纹、剪切型界面裂纹、张开型界面裂纹对应的频率分布范围分别在62.5~125.0 kHz、187.5~250.0 kHz、250.0~312.5 kHz、375.0~437.5 kHz。采用机器学习的方法对原位声发射信号进行了深度处理，提取小波能量系数作为机器学习反向传播神经网络的特征向量，结合收敛曲线、混淆矩阵、受试者工作特征曲线、F₁值评价了该模型优劣性，实现了对于热障涂层失效模式的判别，为热障涂层失效预测和寿命评估提供参考价值。

表面能是晶体最重要的物理化学性质之一，对于表面催化、表面吸附、外延生长、结晶形核、枝晶生长等具有十分重要的影响。快速计算和预测晶体表面能有助于加速催化、电池、合金等材料的设计和优化。本工作采用基于数据驱动的机器学习算法，构建了晶体图卷积神经网络框架并应用于金属表面能预测，实现了从晶体结构到表面能的快速准确预测。使用基于物理理论的将表面尺寸与晶体的原子以及成键特征相耦合的表面表示方法时，模型表现最佳，平均绝对误差值小于0.002 eV/Ų。与第一性原理计算相比，该框架计算时间缩短了约5个数量级。最后，还进一步探讨了其在硅酸盐等复杂体系的普适性和未来的拓展方向，以期为机器学习预测表面能的提供参考。

有机-无机杂化钙钛矿因其优异的物理化学性质在太阳能电池及其他光电器件中有重要应用。其中，带隙是材料设计中必须考虑的一个关键物理量。利用机器学习建立准确的带隙模型可以帮助快速预测新材料。本工作通过研究基于Voronoi图方法的结构特征对机器学习的重要性发现，相比于只有元素特征的机器学习，通过加入Voronoi图结构描述特征，符号回归（VS-SISSO）、人工神经网络（ANN）和随机森林（RF）建立的带隙模型精度均有提升。由于符号回归模型相对简单，Voronoi图结构特征的重要性在该方法中体现最高。以上3种机器学习方法给出的模型预测能力接近，但符号回归模型具有明确的数学表达式，透明度相对更高。特征重要性分析表明，Voronoi图结构特征在所有输入特征中的重要性最高。本工作展示了Voronoi图结构特征在提升机器学习模型准确度及可解释性方面的重要价值。

多保真度数据是当前材料领域数据的主要存在形式。在数据生产端，不同量化方法在材料同种属性的计算上存在较大差距。对于数据消费端的机器学习算法，研究人员为最大化提取数据中知识设计了各种方法。采用定量噪声添加的方法，评价不同噪声强度、类型对不同多保真度数据学习方法的影响，通过迭代降噪验证数据修正方法的适用场景。结果表明：多保真度数据的利用方式至关重要，需对各子数据集中数据量及含噪情况进行综合考量。在使用不同噪声类型与强度构造出的多种数据集上，得益于数据间的协同效应，逐步删除低保真度数据的Onion"训练方式明显优于按数据集所含噪声减小方向逐个进行的训练方式。在多保真度数据训练中，无论何种噪声强度及训练方式，线性噪声对模型的影响更小。对于采样噪声来说，在各环节更好地模拟了真实多保真度数据，建议被后续研究采用。此外，复杂噪声难以让少量真值数据发挥纠偏"作用，更适合进行迭代降噪处理。

在常压下寻找新型高温超导材料是物理和材料领域共同关注的热点问题。近年来，机器学习技术和大数据成功地解决了材料特性与复杂物理因素之间关系建模的难题，在新型材料的优化设计中获得了重要应用。然而利用机器学习在材料数据库中寻找常规Bardeen-Cooper-Schrieffer（BCS）超导材料，存在可用数据量少的问题，导致设计出的超导材料种类少，结构构型单一。结合BCS超导理论和半监督学习方法，发展了神经网络模型预测BCS超导体。通过充分利用材料数据库中大量的无标签数据，即未知超导温度但已知电子结构的晶体材料，使得训练出的分类模型准确性达72%。模型预测出数十种可常压下存在的新型BCS超导材料，其中B-C和B-C-N体系的超导温度最高可达约60 K，高于MgB₂的39 K超导纪录。

玻璃在中国史料中早有记载，但是由于长期存在名称和质地的混淆，且近现代有关中国古代玻璃的研究起步较晚，关于古代硅酸盐玻璃的风化和成分研究比较缺乏。以往研究古代玻璃器的著作，多是从王朝更替的角度，对文化交流、化学分析等方面研究玻璃的文化艺术形态及其自身的运行发展的规律，较少有学者系统建立数学模型并使用智能算法定性定量开展风化硅酸盐玻璃原成分预测及亚分类方法研究。本工作以多组风化和未风化硅酸盐玻璃为研究对象，提取其化学成分含量、纹饰和颜色等数据，利用Spearman系数分析了纹饰、颜色和玻璃大类之间的相关性并研究影响表面风化的因素；利用决策树进行大致分类，然后用神经网络预测玻璃风化前主要化学成分的含量，并总结硅酸盐玻璃的分类依据。此后通过K-means聚类建立分类模型：确定最佳类别数，进行亚类划分，寻找铅钡玻璃和高钾玻璃的最优分类数量。研究结果表明，只有玻璃类型对表面风化具有显著影响；风化过程中参与度较高的化学成分为二氧化硅、氧化铝、氧化铅、氧化钡、氧化铅和五氧化二磷；风化后，铅钡玻璃二氧化硅含量明显下降，氧化铅含量明显上升，而高钾玻璃二氧化硅含量明显上升，氧化钾氧化钙和氧化铝含量明显下降；高钾玻璃分为3个亚类，铅钡玻璃分为4个亚类。为后续利用机器学习研究古代硅酸盐玻璃的风化和成分提供了参考。

数据驱动的机器学习凭借其准确高效的预测能力广泛应用于材料的性能预测和构效关系研究。数据决定了机器学习的上限。然而，目前材料领域的数据存在来源广、噪音大、样本少、维度高等数据质量问题，阻碍了机器学习在材料领域更广泛的应用。本文从数据品质和数据数量2个视角系统梳理并全面剖析了材料领域数据质量问题及其相关治理工作，发现数据品质与数据数量共同决定数据质量。基于此，提出了面向材料领域机器学习全过程的领域知识嵌入的数据质量治理框架。该框架定义了12种维度用于解析材料数据质量的内涵；构建了数据质量治理的生命周期模型以确保数据质量治理活动有序进行；建立了一系列数据质量治理处理模型，从领域知识与数据驱动2个方面对数据质量进行精准全面治理，为生命周期模型的具体实施提供技术支持。该框架实现了材料数据质量的综合评估与提升，为高质量数据获取提供理论指导与候选方案，加速机器学习在材料研发中的深入应用。

能源储存系统是电动汽车、电子设备等高新技术的重要基础。近年来基于机器学习的电池设计能够快速连结材料微观结构-材料微观性能-电池宏观性能的复杂关系，成为了热点研究。本文从能源电池的微观材料设计和宏观状态预测两方面系统性地综述了电池设计中机器学习的应用现状和前景，概括综述了机器学习电池设计的研究数据来源、算法的优缺点及其在电池领域的应用场景以及近年来的相关创新性工作及其展望，以期为机器学习在能源储存系统的宏微观设计提供了参考。

经过大半个世纪的算法模型积累，以数据科学为基础的机器学习方法，已经可以适配多项学科的研究需求。在理论与实验积累的数据基础上，机器学习紧跟各个领域的研究潮流，推动数据密集型科学研究的发展，使其成为继“理论”、“计算”、“实验”后引领科学研究的“第四范式”。在材料科学领域，钙钛矿材料具有构成丰富、带隙可调、发展空间广阔等优势，但还未在其适用领域内达到环境友好等实用标准。因而基于机器学习探索钙钛矿材料及其应用，不仅可以加速新型钙钛矿材料的发现，而且可以探究钙钛矿材料种种优异性能与其物理化学特征之间的关联，为发展环境友好型高性能钙钛矿器件提供指导。在此总结了机器学习结合钙钛矿材料的研究优势与研究流程，综述了机器学习在钙钛矿材料性质与器件探索方面的研究进展，探讨了当下面临的研究困境和挑战，展望了未来的研究方向和发展趋势。

锂金属是下一代二次电池的理想负极材料。然而，锂枝晶生长存在安全隐患，并导致电池Coulombic效率低，这严重制约了锂二次电池的商业应用。目前，人们对锂的沉积生长机制在原子尺度上还了解甚少，同时对锂枝晶的成因也众说纷纭。近年来，机器学习在计算材料学中的应用使得许多以前无法实现的进步成为可能，本文综述了机器学习原子势在锂金属负极研究中的应用。

近年来，基于机器学习的大规模原子模拟技术的发展为许多化学分支的发展带来了巨大的希望。这些模拟具有高速度和高精度的特点。本文概述了基于机器学习势函数的原子模拟的3个关键方面的最新进展，即机器学习模型和结构描述子的开发，全局势能面训练集的生成，以及基于主动学习的势函数自动训练。研究表明，最近设计的指数型结构描述子和前馈神经网络模型非常适合生成高度复杂的全局势能面。通过神经网络势函数在材料和反应模拟中的2个最新应用来说明基于机器学习势函数的原子模拟如何有助于发现新材料和反应。

固态锂电池因其具有高能量密度等优势，被认为是最具潜力的下一代电池技术之一。固态锂电池的诸多优势源于其中固态电解质材料的使用。机器学习方法的兴起为锂电池固态电解质研究提供了新的机遇。机器学习可以拓展传统理论模拟方法在固态电池研究中的应用边界，推动高精度、跨尺度模拟方法的发展；预测固态电解质离子导率、力学性质等关键指标，在原子层面理解固态电解质的构效关系，实现高性能固态电解质的高通量筛选；辅助固态电池实验研究，指导新型固态电解质合成，深入定量解析固态电池谱学表征。因此，机器学习方法的引入及其与理论模拟、实验之间的深度耦合将极大地推动固态电解质研究，促进固态锂电池的实用化进程。

热电材料是环境友好型能源转换材料，涉及的体系十分多样。其性能优化是一个多参数协调的复杂问题，一直是研究者们关注的热点。虽然热电的计算模拟方法和实验方法发展迅速，但是热电材料的搜索效率仍需要进一步提高。机器学习具有计算成本低和预测速度高的优势，可以快速缩小搜索空间，加快对热电材料结构和性能优化的研究。本综述从数据类型的角度出发，介绍了热电材料中的小样本数值数据（数据量约为10²），大样本数值数据（数据量大于10⁴）及图片数据中机器学习的应用和研究进展，进一步详细地讨论了在不同的数据类型中研究热电材料的结构和性能所使用的不同的机器学习算法模型，并对其未来的发展趋势和应用方向进行了展望。

动力学模拟是催化反应动力学研究的重要手段之一，有助于理解催化反应的内在机理，对于设计高效稳定的纳米催化剂十分重要。基于经验力场的经典分子动力学计算速度快，但计算精度有限。基于第一性原理的分子动力学方法精度高，但计算速度慢，难以大规模实施。近年来，机器学习力场（MLFF）方法被广泛应用于势能面的开发，基于MLFF的分子动力学（MLFF MD）方法兼顾计算速度与准确性，为催化反应动力学研究带来了新契机。本文首先回顾了MLFF势能面构造的主要方法，对基于对称函数的描述符设计原理和以嵌入式网络为基础的描述符构建方法进行了阐述，展示了MLFF MD方法应用于催化剂结构/组分演变和催化反应过程动力学模拟中的最新进展，进一步展望了MLFF在长时动力学模拟中所面临的挑战。

人类日常生活中使用的化学化工产品约有80%的生产制造过程中涉及非均相催化反应，如何缩短催化剂开发周期，高效筛选性能优异的催化剂成为一大重要议题。在诸多催化剂中，二维材料因其独特的结构与电子特性备受关注，从种类繁多的二维材料中筛选出满足特定反应需求的类型需要明晰催化剂结构与功能的关系。描述符能够关联起催化剂的结构性质、电子性质与催化剂的性能，通过描述符，催化剂的构效关系能够被揭示与衡量。结构描述符预测二维碳材料催化活性时性能较好，电子描述符较之于结构描述符，与催化反应性能的特征参数更为匹配，而融合两者特色的二元描述符是催化剂性能描述符未来发展的重要方向。在大数据的时代背景下，描述符的发展逐渐与机器学习等新兴方法融合，包含多维度参数的性能预测模型崭露头角，随着人工智能技术的更迭，大数据驱动的性能描述符将助力二维材料催化剂的蓬勃发展。

随着人工智能技术的发展，采用机器学习方法进行势函数的构建和拟合，成为目前解决经验势函数精度问题的主要技术途径。机器学习方法解决了传统势函数拟合中的试错低效问题，已成为材料设计和物性研究不可或缺的有力工具。本文围绕当前机器学习势函数的特点，及其在相变研究、本征性质研究和界面研究等方面的应用，全面总结介绍势函数及其拟合策略，以及其在特定物性研究中的应用，推动机器学习势函数在材料力热性质的多尺度模拟研究。最后，展望了机器学习势函数所面临的挑战和未来发展前景。

材料研发面临着巨大、复杂、高维的搜索空间，如何从中快速有效选择具有目标性能的新材料是加速材料研发的主要挑战。机器学习可以基于已有的数据，通过算法建立特征和目标性能之间的映射关系，对未探索材料的性能进行预测。但是材料的已知数据比较少，建立的机器学习模型通常预测精度低，难以实现对实验或计算的有效指导。为了解决上述问题，引入主动学习的方法，在传统迭代反馈的基础上，增加了实验设计的步骤，选择对目标提升最有帮助、带有更大信息量的实验进行补充，达到更快的优化材料性能的目的。主要从单目标优化、多目标优化、曲线优化3个方面，回顾了主动学习辅助材料研发的进展。

理论晶体结构预测可以在给定化学组分的条件下确定材料的晶体结构，已成为材料科学研究的重要工具。然而，该方法一直面临计算成本高的瓶颈问题。近年来，新兴机器学习方法在传统科学计算上展现了广阔的应用前景，逐渐被引入到晶体结构预测领域。本文主要讨论机器学习方法在理论晶体结构预测领域的最新研究进展，分别从加速晶体结构的能量计算和势能面的探索两个方面介绍领域的最新成果，并对未来研究可能的发展提出抛砖引玉的见解。