近日，一项由上海人工智能实验室、苏州国家实验室及清华大学等单位共同完成的研究取得重大突破。据《新民晚报》报道，依托“2030新一代人工智能国家科技重大专项”，该联合团队围绕“人工智能赋能大面积单晶石墨可控制备”开展协同攻关，成功构建了从海量数据构建、机器学习势函数开发、原子尺度机制解析到实验制备验证的完整科研链条，最终实现了厘米级尺寸、厚度超过200微米（达到当前世界水平3倍以上）的高质量单晶石墨可控制备，为AI驱动新材料研发提供了前沿范例。
高质量的底层数据是AI辅助材料研发的前提。联合团队针对镍-碳体系，首先自主构建了一个规模达亿级的计算材料数据库，专门用于训练机器学习原子势函数。相较于此前依赖小规模开源数据或通用数据库的做法，该数据库在数据完整性、计算精度及构型覆盖范围上均有显著提升。数据库中系统包含了不同尺寸的镍团簇、镍体相与表面结构，以及它们与碳原子、碳链、碳环、石墨烯、石墨等多种碳构型在不同温度下形成的复合构型。
以此数据库为基础，研究团队融合了两项核心技术：一是苏州国家实验室开发的高精度、高效率NEP机器学习势方法；二是上海AI实验室研发的主动学习工作流、不确定度分析算法及计算材料智能体框架。双方合作训练出专用机器学习势函数模型，突破了传统第一性原理计算在时空尺度上的局限。该模型可模拟超过十万原子规模、百万原子步的复杂界面动力学过程，并成功捕捉到“孪晶晶界加速碳迁移”等关键微观机制，在原子尺度上为理解宏观生长现象搭建了桥梁。
借助高精度势函数模型，团队开展了大规模、长时间的原子级动力学模拟。模拟结果不仅清晰复现了碳原子在镍晶格中偏析、扩散、成核及生长的完整过程，还揭示了其在含孪晶晶界界面处的溶解、偏析、成核与外延生长演化路径，使以往模糊的生长机理变得清晰透明。通过定量模拟，团队进一步厘清了反应温度、碳溶解度、原子扩散速率及孪晶晶界结构等核心参数对单晶石墨生长质量的控制规律，为工艺优化提供了可量化、可预测的理论依据。
基于上述科学发现，团队搭建了单晶石墨生长系统，最终成功制备出厘米级尺寸、厚度超过200微米的高质量单晶石墨。该项研究成功探索出一条从“经验试错”转向“机理驱动”的智能化科研新路径，有力验证了AI作为驱动科学发现革命性工具的巨大潜力。
未来，联合团队将持续依托AI模型优化实验工艺参数、开展规模化制造研究，推动单晶石墨向更高质量、更大面积及更稳定量产方向发展，并加速其在电子器件、热管理及高端装备等领域的应用落地。团队期望以此为基础，逐步构建起“海量数据为底座、AI模型为核心、机理理解为牵引、实验制备为验证、规模制造为目标”的新型研发范式。
