应北京理工大学材料学院邀请，4月27日下午，在中关村校区5号教学楼1011会议室，中国人民大学物理学院青年英才高泽峰为大家做了题为“AI 驱动的功能性材料逆向设计”的“高水平学术前沿讲座”。来自各学院的青年教师及研究生代表到场聆听交流。

高泽峰老师聚焦材料逆向设计的核心挑战与AI技术的创新应用进行了细致讲解。他指出，先进材料的结构与性能源于多物理量的复杂耦合，传统设计方法难以突破效率瓶颈，而人工智能技术为表征材料结——性质隐含关系提供了全新路径。报告中，他系统回顾了AI驱动材料逆向设计的研究脉络，梳理了生成模型、判别模型等关键技术路线，并结合多项前沿研究成果展开了详细阐述。

在具体应用展示环节，高泽峰讲师介绍了团队在交错磁性材料、超导材料研发，钙钛矿缺陷钝化技术，晶体声子谱分钟级快速计算平台PhononBench的构建，以及多智能体DFT（第一性原理）框架开发等方向的突破性进展。这些成果充分展现了AI技术在复杂材料系统设计中的高效性与创新性，为功能材料的快速研发提供了新范式。

报告结束后，参会师生围绕AI模型在材料设计中的优化应用、多物理量耦合的精准表征等问题与高泽峰老师展开深入交流。大家纷纷表示，报告内容兼具理论深度与实践价值，不仅深化了对AI与材料科学交叉领域的理解，更为相关研究方向的选择与推进提供了重要启发。

此次学术交流活动搭建了高校间跨学科沟通平台，助力师生及时掌握AI驱动材料设计的前沿动态，对推动功能性材料研究的智能化发展、培养交叉学科创新人才具有积极意义。

【主讲人简介】

高泽峰，中国人民大学物理学院讲师，青年英才。他于2016年和2021年先后在中国人民大学物理学院获得学士和博士学位，之后于高瓴人工智能学院从事“AI for Physics”方向的博士后研究，2024年起正式加入物理学院工作。其主要研究方向包括：面向功能性晶体材料发现的AI驱动研究（AI for Physics），以及基于量子物理数值方法的预训练模型压缩（Physics for AI）。围绕矩阵乘积算符表示的神经网络、语音增强场景下的模型压缩与小型化、预训练模型的轻量化微调与模型扩容三个方面，构建了基于矩阵乘积算符表示的理论方法体系。同时，利用人工智能方法加速新型功能材料的发现。其中，基于矩阵乘积算符实现预训练模型过参数化的工作荣获ACL 2023最佳论文提名；基于AI加速发现新型交错磁性材料的工作入选Web of Science高被引论文及最受关注论文。相关研究成果被来自剑桥大学、斯坦福大学、Meta公司等机构的领域专家引用。个人主页：www.gaozefeng.tech。