欢迎投稿欢迎课题组投递中文宣传稿，免费宣传成果，发布招聘广告，具体联系人：13162018291（微信同号）
研究背景
两层范德华材料以微小角度扭转堆叠，会形成莫尔超晶格，平带、关联绝缘态、超导与拓扑态等新奇量子现象随之涌现。但扭转角、堆垛构型、晶格重构、层间耦合与外场共同构成高维参数空间，单个莫尔超胞可包含数千至上百万个原子，传统密度泛函计算难以高通量处理，实验逐一试错同样低效。
机器学习与人工智能正被引入这一领域，为结构预测、物性计算与实验分析提速，但哪些环节已被切实改变、哪些仍停留在设想，需要基于证据的评估。
成果简介
这篇综述由华南理工大学 Behnam Esmaeilzadeh 与 Sihao Li 撰写，通讯作者为华南理工大学 Behnam Esmaeilzadeh。文章以发现流程为主线，将人工智能方法按功能分为四类并逐一评估：机器学习原子间势负责大尺度莫尔超胞的结构弛豫；图神经网络与等变架构学习结构—性质关系，预测电子结构；代理模型支撑高通量筛选；生成模型提出候选结构，服务于逆向设计。
人工智能也已进入实验与物性识别环节：深度学习可自动分析显微与光谱数据、识别缺陷与扭转角；神经网络波函数结合变分蒙特卡洛，复现并预言了莫尔超晶格中的广义维格纳晶体等关联量子态。机器人组装平台能自动搜索、定位与转移二维晶体，报道的识别速度约为每小时 400 片单层石墨烯、误检率低于7%。
综述进而梳理了从自动化操作、人工智能辅助分析到闭环自主实验的进阶路线：以贝叶斯优化与主动学习选定下一步测量，代表性闭环系统每个循环约20–25 分钟。但真正由机器独立提出、制备并验证新量子态的全闭环，在扭转体系中仍属愿景。
图注说明
图1 扭转范德华量子材料迈向人工智能驱动自主发现的演进时间线。(A) 扭转电子学与莫尔物理的基础发现。(B) 机器学习融入结构与物性预测。(C) 人工智能辅助的实验表征。(D) 自主发现平台兴起。(E) 物理信息基础模型等未来展望。
图2 预测与优化扭转范德华异质结的人工智能工作流。(A) 多层异质结的扭转角工程示意图。(B) 主动学习框架，在探索与利用之间迭代锁定最优构型。(C) 机器学习力场构建流程：堆垛、平移与扭转生成结构并迭代训练。
图3 计算机视觉辅助对准与二维范德华异质结的机器人组装。(A)–(C) 基于形状的定位：模板匹配、偏移计算与晶体对准。(L) 集成芯片转移机器人与自动光学显微镜的机器人冲压系统。
图4 基于贝叶斯主动学习的闭环材料发现。(B) CAMEO 策略先构建相图，再借相信息导向全局最优。(C) 实验流程每个循环约20–25 分钟。(E) Ge-Sb-Te 体系的实验相图与带隙差分布。
总结展望
综述的结论是：最成熟的人工智能应用，是在边界清晰的计算与实验任务上提速；跨材料、跨扭转角的可迁移性、不确定性量化与物理验证仍是短板。实现真正的自主发现，需要标准化数据生态、物理信息模型、可靠机器人平台与量化基准协同推进——目标并非以人工智能取代计算与实验，而是建立可验证、可度量的闭环发现框架。
文献链接
Esmaeilzadeh, B. & Li, S. Machine Learning and Autonomous Discovery of Twisted van der Waals Quantum Materials: From Moiré Engineering to Self-Driving Platforms. Materials Today Physics (2026), Journal Pre-proof, 102267. https://doi.org/10.1016/j.mtphys.2026.102267
