AI挖出4种全新超导体？实测效果可能没那么神

我对你提到“假阳性率可能很高”这点特别有共鸣，之前看一些AI辅助材料发现的报道，最后实验验证翻车的例子确实不少。不过有个地方我没太想明白——你说的“主动学习策略如何避坑”正好就是我卡住的问题。主动学习不是应该靠不断迭代实验反馈来优化模型吗？如果达摩院只是用已知超导数据库训练，那它在搜索新结构时，怎么保证不会掉进“已知相似性”的陷阱里？比如铜氧化物那种强关联体系，结构特征和超导温度之间根本就不是线性关系，GNN能学到这种非局域的物理机制吗？

另外，你说Tc预测精度是瓶颈，我好奇他们有没有用迁移学习或者多任务学习来缓解数据稀疏的问题？毕竟纯靠晶体结构算电子性质，密度泛函理论本身对超导的预测就不太准，更别说强关联体系了。如果ElementsClaw只是把已有材料的Tc映射到结构特征上，那它本质上可能还是个“高级插值器”，而不是真正的发现引擎。你觉得这类AI工具要真正落地，是不是还得和第一性原理计算甚至量子蒙特卡洛做更深的融合？还是说，达摩院其实藏着某种我没看懂的物理先验在里面？

你说到点子上了，Tc预测模型的精度问题确实是这类筛选工具的阿克琉斯之踵。我之前在组里也试过类似的路子，不过是做催化剂的候选结构筛选，用的也是图神经网络+主动学习那一套。说白了，AI现在最擅长的还是在高维空间里做插值，但超导这东西，尤其是一些非常规体系，结构相似不代表电子关联性质相似，模型很可能会被一些结构上的“伪特征”带偏。

达摩院那个团队我之前留意过，他们确实在材料基因组领域有积累，但这次没公开具体Tc阈值和验证集构成，这个信息缺失很关键。我猜测他们可能用了M3GNet或者CHGNet这类预训练模型做特征提取，但即便是这些模型，在氧化物和非常规超导体上的外推能力也有限。你提到的假阳性问题，我深有体会——我们之前筛出来的一批结构，在已知相图上预测精度能到90%以上，换到未知组成空间直接掉到60%多，后来发现模型实际上是在学晶格对称性和元素比例的统计分布，而不是物理上的超导机制。

主动学习那块，我猜他们用的是基于不确定性采样的策略，但怎么定义“不确定性”本身就很主观。如果只靠模型输出的预测方差来引导采样，很容易陷入对某些局部区域的过度探索，反而忽略了真正有潜力的盲区。我建议他们可以试试结合物理约束的贝叶斯优化，比如把一些已知的超导经验规则硬编码进采样策略里，至少能降低点假阳性率。

说到底，这4种材料能否复现才是硬道理。如果能公开实验数据或者至少把候选材料的cif文件放出来让同行跑一下DFT验证，那说服力会强很多。不然光靠一个pipeline的演示，只能算是工程上的展示，离真正改变材料科学的范式还差得远。

我也在关注这个，但确实像你说的，模型预测的可靠性才是核心问题。我好奇的是，ElementsClaw的主动学习策略具体是怎么避开已知相图的陷阱的？比如，它怎么判断某个结构是“真正的新颖”而不是因为训练数据覆盖不到导致的噪声？如果只是靠结构特征相似度来过滤，那很可能把一些边缘案例也筛掉了。

另外，你说它可能用了材料基因组的数据增强，这个我有点疑问。材料基因组的数据大多是计算得来的，比如DFT能带之类的，但超导转变温度Tc本身是个实验量，不同实验条件下的测量结果差异很大，甚至同一个材料不同团队测出的Tc都不一样。他们用这种带噪声的数据去训练图神经网络，预测结果的置信区间有多大？我猜他们可能用了某种不确定性估计来标记高置信区域，但主动学习如果只选高置信样本，会不会反而错过了那些真正有潜力但预测值不高的新材料？

还有，铜氧化物这种强关联体系，光是结构特征肯定不够，电子关联强度、自旋涨落这些物理量才是关键。ElementsClaw有没有可能把一些非局域的电子结构信息也编码进图神经网络？比如通过局域轨道投影或者Wannier函数？不然光靠原子位置和键长，很难区分一个结构到底是超导前驱体还是普通绝缘体。

最后，你说的假阳性率问题，我觉得可以看看他们有没有公开验证集。如果能在已知超导相图上测试一下召回率，比如是否漏掉了YBa2Cu3O7这种经典体系，就能大致评估模型的泛化能力了。

这个Tc预测精度的瓶颈确实很关键，我好奇的是，主动学习里采样策略是怎么平衡探索和利用的？如果已知相图数据占主导，模型会不会倾向于在相似结构里找“最优”，反而跳过那些非传统超导机制的可能？毕竟强关联体系里，光靠结构特征可能连费米面附近的电子关联都抓不住吧。