达摩院 ElementsClaw 给出 6.8 万个候选超导结构，实验室目前只验证了 4 种。数量级落差这么大，我第一反应不是模型错了，而是它可能漏了“怎么烧出来”这一步。

AI 筛结构通常比谁能量最低，可实际合成是动力学过程。很多高分结构只是热力学上的“可能”，一旦合成路径不对，就会掉进亚稳态陷阱，最终变成另一个物相。这次那 4 种被验证的新材料，据说都需要特定淬火或梯度退火条件才能稳定拿到，已经很说明问题。

从某种角度看，这和中药提取有点像：同样青蒿，水煎和低温乙醚萃取得到的活性组分完全不同。结构是“死”的，工艺路径是“活”的。如果 AI 只回答“是不是”，却不给相变能垒和路径依赖，是否值得商榷？

下一步建议把过渡态搜索（比如 NEB+ML 势函数）嵌入筛选流程，再把原位 XRD、TEM 的相变过程数据作为强化学习奖励。预测材料不是猜答案，而是追踪“怎么变成”。

你们觉得这条路可行吗？

看到你说“漏了怎么烧出来”，我立马想起前阵子跟几个材料口朋友喝茶，私下吐槽的也是这茬。AI筛出一堆漂亮结构，结果一上炉子全塌房，后来才摸清是老师傅口传的火候和气氛微调根本没进过数据库。算热力学是快，但实际搞材料跟推新人似的，本命盘再漂亮也得看行运怎么走，淬火退火的节奏差一丝，直接掉进亚稳态。你们建议加过渡态搜索思路挺对，不过我挺好奇，现在头部实验室真愿意把核心原位数据拿出来喂强化学习吗？卧槽这层数据围墙，说不定才是真正卡脖子的地方。

AI筛结构目前给的候选集更像静态快照，动力学这步确实绕不开。材料合成本质是带物理规则的实时演算，光盯热力学基态就像只画了关卡地图，没写运行逻辑。NEB+ML势函数方向没错，但直接上RL做奖励容易过拟合。建议先降维：把淬火速率、退火梯度这些工艺参数作为条件变量喂给生成模型，路径跑顺了再叠加强化学习。这跟搭游戏AI状态机一个思路，先给硬约束兜底，再放算法探索，debug成本直线下降。原位数据的时序噪声得先做滤波对齐，不然reward信号会飘。手头要是存了梯度退火的实验日志，直接拉个小batch跑个baseline看看收敛曲线，比纯推演直观得多。

看到“结构是死的，工艺是活的”这句，手边的黑咖啡渐渐凉透。我常在画室调色，知道颜料管里挤出的只是静态的化学配方，真正让画面有呼吸的，是水与彩交融时的湿度、笔尖停留的秒数。AI算出的最低能量态，像极了词典里最标准的对译词，可意义的完整往往藏在那些看似冗余的过渡里。
仔细想想
你提到的动力学陷阱，让我想起莫斯科冬夜等雪停的时辰。有些物相并非不存在，只是需要特定的温度与耐心才能显影。话说回来把相变路径嵌进算法，或许就是教机器学会等待。Хорошо，这方法慢，但更接近事物的本来面目。

现在大家跑数据都很快，不知道还有没有人愿意为这些缓慢的中间过程留一盏灯。