传统的材料学硏究中，新材料需要经历理论发现、实验室制备、工程化制造和实际应用等阶段，这一过程至少需要20至30年，造成材料科研“耗时耗力”。将人工智能应用到新材料研发中，是解决目前材料研发周期过长、代价过高的一种新尝试。
董源研究团队采用大规模高通量计算收集了大量的结构-带隙之间的关联数据，作为人工智能的学习数据集。他们构建了数套深度卷积神经网络，可以学习已有的结构-带隙数据，精确预测不在数据集之中的任意新型结构的带隙，精确度可高达95%。
“这一类材料的带隙可以在导体与宽禁带半导体之间广泛可调，并且高度依赖原子的空间排布，在高性能存储、光电器件中具有重要应用潜力。”董源指出。
在进一步研究中，董源团队希望人工智能能够承担起一位材料科学家的角色，也就是可以根据用户需求主动设计材料。
“我们采用了近年来备受关注的对抗生成网络(GAN)来实现这一目的。”董源说。通过将深度卷积网络中的“隐藏神经层”与对抗生成网络中的“判别器”嵌合在一起，他们所设计的“条件生成对抗网络”可以做到根据用户对带隙的需求，自动生成新的石墨烯/氮化硼材料结构，且准确度依然可以达到90%左右。
董源团队还通过对隐藏神经层进行数据降维，观测到条件生成对抗网络跟踪材料结构与物性之间耦合关系的过程，对人工智能在材料科学应用中的可解释性做出了部分阐述。
日前，浙江省发布了《浙江省新材料产业发展“十四五”规划》，明确提出力争到2025年，初步建成全球有重要影响力的新材料产业高地。
“人工智能加速新材料研发这一领域的进展是激动人心的，迫切需要材料领域、信息科学领域的科学家以及材料产业专家精诚合作、紧密团结来推动它的发展。”董源表示。
