近日，燃煤污染物减排国家工程实验室、程星星团队博士生王闯以第一作者身份在国际权威期刊Materials Science & Engineering R（影响因子31.6）发表了题为“A guided review of machine learning in the design and application for pore nanoarchitectonics of carbon materials”的综述性论文。山东大学为该论文的第一完成单位和通讯作者单位，程星星教授为唯一通讯作者。

多孔碳材料在碳捕集、气体分离、储能和催化等领域展现出巨大的潜力，但因碳材料的结构调控高度依赖于试验和经验的积累，需反复试错和总结，传统的试错式制备方法成本高、效率低。近年来机器学习(ML)的发展为为材料科学研究带来了范式革命。ML不仅能实现性能预测，还能深度挖掘材料的复杂结构与性能之间的关系，推动材料的智能设计、优化与应用效率的提升。

该综述总结了机器学习在材料科学中的常规流程，拆解步骤并提出指导性意见。同时在ML辅助碳材料的设计和应用方面展开详细讨论。碳材料设计方面，重点讨论了实验条件、分子结构和孔结构的ML设计与优化。碳材料应用方面，重点讨论了特征重要性、ML算法的适用性等，覆盖的应用包括：碳捕集、氢能储存、甲烷储存、超级电容器、气体分离、离子电池、催化剂和污染物处理等。

图1. 全文内容概述图

ML正全面革新多孔碳材料的设计与应用研究。通过结合物理模型与数据驱动方法，ML可精准预测材料孔隙特性（如活化温度、掺杂效应）并优化实验参数，降低研发成本；同时融合分子动力学与图像分析（CNN/GNN）揭示孔隙形貌-性能关联，指导分级孔道与表面活性位点设计。在应用中，ML模型解析了超微孔主导低压吸附机制，并通过多孔协同策略将超级电容比电容提升7%，LSTM模型实现器件寿命高精度预测（R²>99.5%）。自动化系统整合机器人实验与AI决策，使材料优化周期缩短50%。研究还发现孔隙不规则性通过增强分子相互作用提升多层吸附能力，为逆向设计提供新维度。未来需强化跨尺度数据整合与可解释AI，推动碳材料从原子设计到工业应用的全链条创新。

图2. (a)自动化材料设计系统                 (b)碳材料纹理特征识别方法

原文链接：https://doi.org/10.1016/j.mser.2025.101010