机器学习技术与材料科学的深度融合，极大地加速了材料研发进程。如何进一步加速这一进程并突破现有材料性能的瓶颈？东南大学王金兰教授团队在《国家科学评论》（National Science Review, NSR）发表Perspective文章，探讨了基于深度生成模型的逆向设计在材料科学中的研究现状和发展机遇。他们认为，逆向设计将给材料科学带来一场变革，具有巨大的工业优势和前景。
人工智能与理论计算/实验方法的结合，让我们可以基于经验知识和现有材料的数据，来预测材料的性质或结构——即，通过构建“结构－性质”关系，来推动材料研发。然而，基于已知材料可能无法找到具有突破性性能的材料。
而如果可以反过来构建“性质－结构”关系，就可能实现“逆向设计”：按照所需性质，根据物理学和材料科学的基本原理，直接设计出相应材料。如何将逆向设计应用于无机功能材料的设计呢？
在这篇观点文章中，作者分析了逆向设计的基本概念和理论，围绕无机功能材料，介绍了逆向设计面临的技术挑战和发展需求，并结合最新的研究成果介绍了生成模型驱动的逆向设计的理论研究进展。
我们知道，人工智能可以生成与真人不相符的逼真人脸图像。与之类似，我们可以设计人工智能模型，生成出具有目标性质，且不同于已有材料结构的新型材料。在此过程中，需要构建周期性晶体结构的可逆和不变表示，保证晶体到材料表示，以及从材料表示回到晶体的可逆性。同时，由于无机材料的结构复杂性和数据匮乏问题，传统的生成模型应按需改进，比如将主动学习、迁移学习等技术与生成模型相结合，克服生成的晶体材料局限于特定的组成元素，或者特定的晶体结构。
文章最后认为，逆向设计在材料科学中的广泛应用将进一步改变材料科学的研究范式，使材料设计进入智能化和自动化时代。