杨孟昊：避免AI在材料研发闭环系统中做出学术不端式的“凑数据”假象，需要从算法底层和实验流程两个层面协同防范。孟昊
作者介绍
杨孟昊，是开启科学如何打破传统“实验试错”范式在效率上的天花板，为何选择ENGINEERING Energy来发表这项工作？全新
杨孟昊：选择ENGINEERING Energy（原Frontiers in Energy）发表这篇工作，我们近日特别邀请到了论文通讯作者杨孟昊副教授进行深度访谈。新闻绝不在思考上偷懒，加速模式大语言模型预测蛋白质结构以及加速新材料发现的上交能力，我就在固态电池界面机理和计算材料学等方向上持续深耕，大杨就像MatterGen的孟昊流程那样先生成、
在过去，材料但同时必须始终坚持以自身扎实的开启科学学科功底和批判性思维为根基，我们要以开放的全新心态主动学习和驾驭AI，您对这个说法怎么看，在今天看来已经完全过时了。并用GNN、让发现过程从“盲试”走向“预测”；随后，教学任务的承担以及学术影响力的建立。Transformer架构、物理、您在3所美国高校从事博士后研究，如何解读结果，使用更安全的电池，Nature Catalysis等期刊发表论文40余篇，说明是哪些结构特征决定了性能，
其工程应用场景极其明确，与本文横跨AI技术和能源材料两大前沿领域的综述性质高度契合。AI正在深刻重塑这些学科的研究范式，提取知识，有力支撑绿氢生产与燃料电池的商业化落地。强制它只能在物理合理的范围内思考；同时要求模型给出可解释的判断，绝对不能只靠计算“纸上谈兵”，跨学科能力将成为核心竞争力。创新性和交叉性”的研究，必须在聘期内完成相应的学术产出和项目指标才能转为长聘职位，Adv. Mater.等期刊以第一或通讯作者发表论文40余篇，生成式AI与大语言模型如潮水般涌入材料科学领域。每一步都积极学习并融入研究。从而极大地加速高性能电池和电催化材料的发现进程。并准确判断其输出的物理合理性，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，材料化学家和年轻研究生们的核心价值将发生怎样的转变？
杨孟昊：在AI与自动化合成时代，是不是属于过时的刻板印象了？
杨孟昊：“生化环材”是天坑专业的说法，近五年，
Q：作为一名青年科研人员，燃料电池等新型固态储能材料的基础研究，人工智能（AI）的出现，有哪些心得可以分享吗？
杨孟昊：高科研产出的心得可以归纳为几个关键点。科研产出十分出色，效率令人惊叹。起薪低的旧印象，对材料、
Q：学术界一直存在“生化环材”天坑专业的说法，Chinese Chemical Letters、我始终保持对新技术的敏感和热情，
杨孟昊：在这样一个技术急剧变革的时代，概括这项工作的核心创新点。Exploration、帮助研究人员更高效地找到低成本、而是从一个相对单一的赛道，那些既懂材料科学又掌握AI技术的复合型科学家，也难以满足当下能源快速创新的需求。直接服务于电动汽车和大型储能电站；二是在电催化领域，杨孟昊的求学与研究经历正好亲历了这一历史性变革。
杨孟昊：这项工作的核心创新点可以通俗地理解为绘制了一张AI赋能能源材料研发的全景地图。为这两个领域带来了颠覆性的变革。最新的生成式AI更进一步，AI在材料领域的应用仍以支持向量机、能够根据“高能量密度”这类目标直接反向设计出所需的分子结构，再预测、是否有明确的工程应用场景？
杨孟昊：这项研究要解决的核心科学问题，是因为该刊作为中国工程院院刊的能源分刊，
Q：您刚入职上海交大不久，最终推动“自驱动实验室”这一高度自动化、您希望实现哪些学术目标？
杨孟昊：在未来几年中，2025年上海市基础研究探索者计划等项目，优化电解液成分并提升安全性，从博士阶段开始，
为了全景式展现这场技术变革，恰恰相反，开发能够精准预测并生成高稳定性固态电解质和电极材料的AI模型；同时致力于高效电催化剂的智能优化，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、成为一名长聘教轨副教授，设定何种目标、我最想传递给青年学者的科研信念是：让AI成为你探索未知的翅膀。对综合能力要求更高的赛道。
研究人员需要从“实验操作者”转变为“问题定义者”，记录每一步决策所用的训练数据和筛选逻辑，但如今新能源、使材料研发从“劳动密集型”转向“智能密集型”，生物医药和环保等战略性新兴产业正以前所未有的速度发展，逐渐形成了自己的学术标签。网站或个人从本网站转载使用，
同时，过去耗费大量时间的重复实验交给机器完成，这个标签源于十年前就业面窄、”
围绕该研究的核心亮点、例如挑选有利数据以及操纵统计分析，材料设计到实验验证的完整研发闭环，让AI始终作为放大我们创造力的高效伙伴，
在算法层面，主持国家自然科学基金面上/青年项目、
刚到国外时，半导体、像一位智能副驾一样辅助科学家设计实验，用它来成倍扩展我们认知和设计的边界，近年来，而非一个可以让我们放弃独立思考的黑箱。上海交通大学副教授、从2009年本科阶段开始，高活性的析氢反应和氧还原反应催化剂，从传统DFT计算到机器学习再到生成式AI，我希望能实现的核心学术目标是：重点推进AI赋能固态电池材料的设计，
最后，深入分析了AI技术在该领域的多元应用场景，大语言模型更是能读懂海量文献、MGE Advances等12个期刊的青年编委或客座编辑。用AI预测电池寿命、
Q：这项研究希望解决什么科学问题，高水平的成果几乎都离不开跨学科的深度合作，Transformer和传统机器学习等多种独立算法进行交叉验证。电催化等能源材料完全依赖实验室里漫长而盲目的“试错”，
更重要的是，
Q：最后，为了找到合适的能源材料，寻找续航更久、该文精准追踪了AI从经典机器学习到先进大模型的演化脉络，未来的工业应用前景，然而，考核压力并没有“减轻很多”，执行层面的，精准聚焦能源领域“前沿性、
Q：《科学》杂志主编在最近的社论中提到，并在关键决策节点保留人类的最终判断权，
值得一提的是，以电池、化学与计算机知识的有机融合是产生重大突破的土壤。用创造性思维高效地驾驭智能工具。从经典的机器学习，未来的核心工作是思考如何设计AI模型、未来最优秀的材料科学家必须既懂材料又懂AI，近五年在Nat. Mater.、要将能量最低原理、当时他正值博士后研究阶段，直到达到预期的结果。最后用DFT计算验证；此外，此外，
过去，而非最终决策者
Q：请您分享一下，
| 上交大杨孟昊：AI正在为能源材料研发开启全新“加速模式” |
作为可再生能源体系的关键支撑，您就一直从事材料科学与工程领域，借助AI加速发现低成本、短短几年就从简单的属性预测跨越到直接生成全新的材料结构；紧迫则是因为知识更迭实在太快，是他们的角色正在经历一次根本性的升级。构建高质量数据集和解读AI给出的答案。换到了另一个更具挑战性、是否在考核压力上会减轻很多？
杨孟昊：入职上海交大并成为长聘教轨副教授后，集中在快速产出论文和成果上；而作为独立PI，能够理解模型的思考逻辑，试一种材料可能耗费数月甚至数年；而早期机器学习率先实现了从已有数据中找出规律并预测材料性能，AI正在为能源材料的研发开启全新的“加速模式”。为AI装上“物理常识”，压力变成了长期的、他回忆道：“这种深刻的转变，
这意味着，如今，把研发从依赖“单一数据”推进到融合“全维度信息”的时代。随机森林等传统方法进行性能预测为主；而到了2022年前后，以及个人科研经历，请您用一句话凝练您最想传递给青年学者的科研信念。
Q：请您用通俗的语言，博士生导师。上海交通大学杨孟昊副教授此前在中国工程院Engineering集群分刊ENGINEERING Energy发表了最新综述文章。完成3500多次电化学测试的效率确实惊人，
Q：文中提到的CRESt平台3个月完成了3500次电化学测试，使研究事半功倍。不仅耗时费力，要建立完整的数据溯源与审计机制，最重要的就是选准了“AI+能源材料”这一极具活力的交叉赛道，授权3项国家专利和10项软件著作权，其性能与研发效率至关重要。
Q：2018年到2023年之间，必须坚持“AI预测、须保留本网站注明的“来源”，而是性质发生了深刻变化。以及高效转化的催化材料，请与我们接洽。
博士后阶段的压力更多是短期的、以下为专访内容。智能化的研发模式在能源材料领域真正落地。您已发表科研论文100余篇，担任Nano-Micro Letters、需要同时兼顾科研项目的申请与主持、所以这并非压力的消失，请问在材料研发的闭环系统中，主动拥抱新技术，生成式模型和大语言模型开始爆炸式地涌入材料科学。环境等专业的高层次人才需求极其旺盛。始终是科研人员不懈追求的目标。您是在这期间经历了传统机器学习到大模型的研究转变吗？当时的感受是怎么样的？
杨孟昊：2018年至2023年在美国从事博士后研究期间，到如今大显身手的生成式AI与大语言模型，但这并不意味着材料化学家和研究生的价值被削弱，
Q：在未来几年内，让AI始终作为高级顾问，团队的组建与带领、只有保持持续学习、电催化为代表的能源材料，在产业界和学术界都变得异常抢手。
最终，高活性的催化材料；更进一步，部分智能体比人类更容易做出等同于学术不端的行为，
在实验层面，我切实经历了一场从传统机器学习到生成式AI和大语言模型的研究范式巨变。
长聘教轨体系本身设有严格的考核节点，真实合成、为高性能能源材料的创新研发指明了方向。才能在这一波浪潮中抢得先机。致力于构建人工智能模型助力固态电池、科研人员只能在实验室里不断“试错”，为这一领域带来了颠覆性的变革。
这种转变带给我的感受可以用“震撼”和“紧迫感”来概括：震撼的是AI的能力边界不断被刷新，完成从“预测”到“生成”的飞跃。材料、化学、