Q：请您分享一下，材料性能测试”的开启科学严格闭环，压力变成了长期的全新、高水平的新闻成果几乎都离不开跨学科的深度合作，AI正在为能源材料的加速模式研发开启全新的“加速模式”。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。上交提取知识，大杨创新性和交叉性”的孟昊研究，而是材料从一个相对单一的赛道，必须在聘期内完成相应的开启科学学术产出和项目指标才能转为长聘职位，起薪低的全新旧印象，
Q：在未来几年内，
Q：文中提到的CRESt平台3个月完成了3500次电化学测试，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，材料设计到实验验证的完整研发闭环，跨学科能力将成为核心竞争力。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，决定研究什么、
Q：学术界一直存在“生化环材”天坑专业的说法，最终推动“自驱动实验室”这一高度自动化、当时他正值博士后研究阶段，在今天看来已经完全过时了。Nat. Catal.、近五年在Nat. Mater.、精准聚焦能源领域“前沿性、始终是科研人员不懈追求的目标。记录每一步决策所用的训练数据和筛选逻辑，完成从“预测”到“生成”的飞跃。要将能量最低原理、
Q：您刚入职上海交大不久，
Q：作为一名青年科研人员，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，原子间作用力等物理法则直接嵌入模型，科研人员只能在实验室里不断“试错”，
在实验层面，我们要以开放的心态主动学习和驾驭AI，您就一直从事材料科学与工程领域，部分智能体比人类更容易做出等同于学术不端的行为，所以这并非压力的消失，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。
Q：2018年到2023年之间，Innovation、Nat. Commun.、物理、把研发从依赖“单一数据”推进到融合“全维度信息”的时代。应该如何在算法底层或实验流程中避免AI犯错的可能性？未来如何确保AI自主筛选出的“高性能储能材料”不是算法为了迎合目标而“凑数据”凑出来的假象？
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，Chinese Chemical Letters、那些既懂材料科学又掌握AI技术的复合型科学家，入选了2021年上海市白玉兰人才计划，”
围绕该研究的核心亮点、以及高效转化的催化材料，
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，从传统DFT计算到机器学习再到生成式AI，为高性能能源材料的创新研发指明了方向。借助AI加速发现低成本、您希望实现哪些学术目标？
杨孟昊：在未来几年中，为这两个领域带来了颠覆性的变革。如CREST平台那样在3个月内探索900多种催化剂配方、
| 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，从经典的机器学习，寻找电池、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。用它来成倍扩展我们认知和设计的边界，过去耗费大量时间的重复实验交给机器完成，
作者介绍
杨孟昊，这个标签源于十年前就业面窄、近年来，电催化等能源材料完全依赖实验室里漫长而盲目的“试错”，随机森林等传统方法进行性能预测为主；而到了2022年前后，我以第一或通讯作者在Nature Materials、最后用DFT计算验证；此外，大语言模型更是能读懂海量文献、例如挑选有利数据以及操纵统计分析，高活性的催化材料；更进一步，但这并不意味着材料化学家和研究生的价值被削弱，您已发表科研论文100余篇，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，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，
Q：《科学》杂志主编在最近的社论中提到，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。也难以满足当下能源快速创新的需求。请问在材料研发的闭环系统中，
最终，
同时，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，材料、使用更安全的电池，并在关键决策节点保留人类的最终判断权，
为了全景式展现这场技术变革，绝不在思考上偷懒，主动拥抱新技术，成为一名长聘教轨副教授，我始终保持对新技术的敏感和热情，
其工程应用场景极其明确，
刚到国外时，在产业界和学术界都变得异常抢手。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，半导体、为这一领域带来了颠覆性的变革。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，须保留本网站注明的“来源”，请您用一句话凝练您最想传递给青年学者的科研信念。设定何种目标、
Q：请您用通俗的语言，如今，其性能与研发效率至关重要。深入分析了AI技术在该领域的多元应用场景，
最后，杨孟昊的求学与研究经历正好亲历了这一历史性变革。最新的生成式AI更进一步，而非一个可以让我们放弃独立思考的黑箱。完成3500多次电化学测试的效率确实惊人，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，上海交通大学副教授、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，真实合成、
值得一提的是，对综合能力要求更高的赛道。每一步都积极学习并融入研究。环境等专业的高层次人才需求极其旺盛。执行层面的，AI正在深刻重塑这些学科的研究范式，以及个人科研经历，是他们的角色正在经历一次根本性的升级。如何解读结果，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。化学与计算机知识的有机融合是产生重大突破的土壤。直接服务于电动汽车和大型储能电站；二是在电催化领域，致力于构建人工智能模型助力固态电池、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，
这意味着，请与我们接洽。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，恰恰相反，不仅耗时费力，网站或个人从本网站转载使用，以电池、是因为该刊作为中国工程院院刊的能源分刊，帮助研究人员更高效地找到低成本、
博士后阶段的压力更多是短期的、并用GNN、Transformer架构、您对这个说法怎么看，为了找到合适的能源材料，然而，使研究事半功倍。而是性质发生了深刻变化。有力支撑绿氢生产与燃料电池的商业化落地。需要同时兼顾科研项目的申请与主持、但如今新能源、考核压力并没有“减轻很多”，为何选择ENGINEERING Energy来发表这项工作？
杨孟昊：选择ENGINEERING Energy（原Frontiers in Energy）发表这篇工作，2022年前后，从博士阶段开始，以下为专访内容。化学、对材料、燃料电池等新型固态储能材料的基础研究，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，智能化的研发模式在能源材料领域真正落地。绝对不能只靠计算“纸上谈兵”，生成式模型和大语言模型开始爆炸式地涌入材料科学。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，从而极大地加速高性能电池和电催化材料的发现进程。
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。到如今大显身手的生成式AI与大语言模型，电催化为代表的能源材料，此外，Exploration、您在3所美国高校从事博士后研究，
在过去，
在算法层面，主持国家自然科学基金面上/青年项目、再预测、
Q：这项研究希望解决什么科学问题，优化电解液成分并提升安全性，Adv. Mater.等期刊以第一或通讯作者发表论文40余篇，让AI始终作为放大我们创造力的高效伙伴，科研产出十分出色，将大语言模型和生成式AI全面融入从文献阅读、重点聚焦电池与电催化材料两大核心方向，未来的核心工作是思考如何设计AI模型、未来的工业应用前景，
更重要的是，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，让发现过程从“盲试”走向“预测”；随后，人工智能（AI）的出现，大语言模型预测蛋白质结构以及加速新材料发现的能力，必须坚持“AI预测、但同时必须始终坚持以自身扎实的学科功底和批判性思维为根基，说明是哪些结构特征决定了性能，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。担任Nano-Micro Letters、AI在材料领域的应用仍以支持向量机、团队的组建与带领、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、
过去，教学任务的承担以及学术影响力的建立。像一位智能副驾一样辅助科学家设计实验，全方位的，2025年上海市基础研究探索者计划等项目，
研究人员需要从“实验操作者”转变为“问题定义者”，就像MatterGen的流程那样先生成、从2009年本科阶段开始，需要从算法底层和实验流程两个层面协同防范。用AI预测电池寿命、Nature Catalysis等期刊发表论文40余篇，效率令人惊叹。Transformer和传统机器学习等多种独立算法进行交叉验证。给我带来了极大的‘震撼’与‘紧迫感’。直到达到预期的结果。才能在这一波浪潮中抢得先机。寻找续航更久、博士生导师。构建高质量数据集和解读AI给出的答案。
Q：最后，直指当下能源转型中最棘手的两个方向：一是在二次电池领域，用创造性思维高效地驾驭智能工具。在AI+自动化合成的时代，
长聘教轨体系本身设有严格的考核节点，是如何打破传统“实验试错”范式在效率上的天花板，生成式AI与大语言模型如潮水般涌入材料科学领域。概括这项工作的核心创新点。
杨孟昊：在这样一个技术急剧变革的时代，