博客与资源中心
材料科学AI工具教程、行业资讯和学术分享
从 Si 到 GaN：耐压近 4000V 的氮化镓功率晶体管，材料人怎么用科研自动化工作流 3 小时读懂背后论文
EPFL 团队让 GaN 功率晶体管耐压逼近 4000V，打破中低压刻板印象。本文从器件物理到图表解读，示范用 Intro Finder、PicAxe 与科研自动化工作流把一篇 Nature Electronics 论文的阅读与写作压缩进一个下午。
AI 搜遍 1.5 亿种材料找出无铅电容候选：从论文图表到实验数据，科研自动化工作流这样做
研究者用大语言模型把 448 篇论文、1202 条实验记录里的组分与图表数据自动结构化，从 1.5 亿种组合中锁定两种含锡无铅介电材料 SNBTS1/SNBTS2，宽温域介电性能稳定且优于钛酸钡。本文拆解这条科研自动化工作流，并演示 MatAI 的 PicAxe、科研自动化工作流与 Intro Finder 如何复现这一范式。
尼龙也能发电：一条电声耦合工艺，从论文图表到引言全流程用 AI 跑通
澳大利亚团队用尼龙 11 做出可被汽车碾轧仍持续发电的压电薄膜，登上《自然·通讯》。本文演示课题组 AI 工具（MatAI）如何把热点论文的图表变成引言和论文，全流程自动化闭环。
材料计算往浏览器里跑，不只是为了省事
本地工作站排队、环境配置崩溃、版本冲突……材料计算的苦，很多人懂。浏览器端计算正在改变这件事。
我把一张XRD图丢给AI后，决定自己再检查一遍
一张XRD图，盯着看半小时，憋出两行图注。这种日子正在被改变。
数据越多，问题反而越少？
每年都有海量材料数据产生。研究者真正缺的不是数据，而是把数据变成问题答案的能力。
AlphaFold之后，材料人还在等一个网页
AlphaFold改变了生物学。材料领域的"AlphaFold时刻"会不会到来？关键是先解决工具易用性问题。
那0.3 eV的偏差，让我重新相信可重复性
一篇计算材料论文，换了台机器就跑不出一样的结果。这不是技术问题，而是workflow问题。
AI写完引言后，我开始追问三个问题
大模型能帮你写初稿，但不能替你承担科学判断的责任。边界在于"描述"与"判断"之间。
我热爱开源，但受够了配环境
开源工具推动了领域发展，但易用性始终是个坎。商业工具的价值，也许就是把开源能力包装得更顺手。
1.8 eV，够好了吗？
算出一个数值不难，难的是知道这个数值有多可信。不确定性量化正在从边缘走向中心。
电池厂工程师问了我们两个问题，我们答不上来
实验室里 promising 的材料，为什么到了产业端就哑火？问题往往出在"中间数据"上。