近期，由18k娱乐（集团）材料基因组工程研究院张统一院士团队牵头，联合香港科技大学（广州）、香港城市大学、上海交通大学、悉尼大学、哈尔滨工业大学（深圳）、苏州实验室、西安交通大学、美国AiMaterials Research和伦敦大学学院等多个科研机构，在人工智能驱动新材料发现领域取得重要进展。针对科学发现与工程优化过程中普遍面临的高维设计空间、昂贵实验成本、小样本数据以及优化算法应用门槛较高等挑战，团队开发了贝叶斯优化框架Bgolearn，推动成熟贝叶斯优化方法真正成为服务材料研发的开放工具和实验决策平台。截止发稿，Bgolearn已被广泛应用于合金、催化、功能材料、超材料及自主实验等多个科学方向研究论文和课题，被下载统计超13万次，形成了广泛的科学用户社区。
Bgolearn框架下载统计（截止2026年7月20日，13万1千8百次）
相关成果Bgolearn: a unified Bayesian optimization framework for accelerating materials discovery近日正式发表于npj Computational Materials（https://www.nature.com/articles/s41524-026-02226-3）。论文第一作者为张统一院士团队曹斌博士（于2026年毕业于香港科技大学（广州）），论文由张统一院士、团队青年教师熊杰助理研究员、苏州实验室惠健、西安交通大学Turab Lookman教授、伦敦大学学院汪军教授共同担任通讯作者。该工作以张统一院士团队在材料智能设计与贝叶斯优化方向的长期积累为基础，汇聚材料科学、人工智能、计算机科学及实验研究等不同背景的合作力量，通过跨单位、跨学科协同，系统完善了贝叶斯方法在算法框架、材料工作流、软件生态及实际应用等方面的能力。
从“预测材料性能”到“决定下一步实验”
材料研发往往需要在高维成分、工艺和结构空间中寻找满足目标性能的候选材料。传统试错实验需要消耗大量时间和资源，而常规机器学习虽然能够根据已有数据预测材料性能，却通常无法直接回答研发过程中更加关键的问题，即“下一步最值得开展哪个实验？”。Bgolearn围绕这一关键问题构建了数据、模型、决策、实验、更新的贝叶斯优化框架。在有限实验数据基础上，利用代理模型预测候选材料性能并量化不确定性，再通过采集函数在探索未知区域和利用高性能区域之间进行动态平衡，主动推荐最具潜力或信息价值的下一轮实验，使人工智能由材料性能预测工具进一步转变为材料研发决策工具。
Bgolearn框架主要实现流程
Bgolearn围绕这一核心问题构建了完整的贝叶斯优化工作流，在有限实验数据基础上建立概率代理模型，在预测候选方案性能的同时量化模型不确定性，并利用采集函数动态平衡对已知高性能区域的开发与未知区域的探索，主动推荐最具信息价值或性能潜力的下一轮实验。通过“数据—模型—决策—实验—更新”的闭环迭代，人工智能由传统的性能预测工具升级为主动参与科学研究与工程优化的智能决策工具。
为降低贝叶斯优化的应用门槛，Bgolearn采用模块化架构设计，集成了多种代理模型、采集函数和不确定性量化方法，用户可根据具体任务灵活组合和切换算法，无需复杂开发即可快速部署到实际应用中。平台支持单目标和多目标优化，能够广泛应用于材料设计、实验优化、参数寻优等科学研究与工程场景，为不同领域提供统一、易用、高效的智能优化解决方案。
团队还开发了图形化界面BgoFace，降低了材料科研人员使用贝叶斯优化的编程门槛。基准测试表明，Bgolearn相比随机搜索、网格搜索和遗传算法可减少约40%—60%的探索工作量，同时获得相当或更优的候选方案。
Bgolearn与其他基准优化算法对比
跨领域合作推动算法走向真实材料发现
Bgolearn并非针对单一材料体系开发的专用模型，而是能够与材料实验、理论计算、高通量筛选和自主实验相结合的通用优化框架。在张统一院士团队持续推动下，来自材料科学、人工智能、计算机科学和实验研究等不同领域的合作团队围绕算法开发、软件工程、材料设计与实验验证开展长期协作，不断拓展Bgolearn的功能和应用边界。目前，Bgolearn已应用于高弹性模量三周期极小曲面结构、超高硬度高熵合金、高强高塑中锰钢等材料设计问题，并进一步拓展至合金、催化、功能材料、超材料和自主实验等不同场景，逐步形成连接机器学习模型、实验决策与材料发现的开放工具生态。
BGOLEARN在超材料和中锰钢中的应用示例
开源共享推动材料智能设计工具持续发展
Bgolearn相关研发与开源工作获得上海市经济和信息化委员躺赚500人工智能开源奖励计划资助和认可。依托该计划支持，18k娱乐（集团）材料基因组工程研究院张统一院士团队持续推进Bgolearn的算法研发、软件迭代、开源共享和应用推广，并进一步拓展其在材料科研与工程研发中的开放性、易用性和影响力。Bgolearn体现了团队在材料智能设计方向的长期积累，也体现了多单位协同合作对开放算法持续演进的重要推动作用。未来，张统一院士团队将继续联合国内外合作伙伴，围绕贝叶斯优化、多目标材料设计、主动学习和自主实验等方向开展研究，持续完善Bgolearn的算法能力与开源生态，推动人工智能由材料性能预测工具进一步走向材料研发决策工具，为高性能新材料的高效发现与优化提供更加开放、可靠和易用的技术支撑。
