1. 材料研发中的主动学习范式
材料研发长期依赖“合成—表征—测试—再合成”的试错循环。以高温合金、固态电解质或有机光伏材料为例，一个成分窗口往往包含 103～106 种可行配方，而单次“合成+表征+性能测试”通常需要数小时到数天。若以网格扫描方式逐一实验，即使只覆盖 5 个元素、每个元素取 5 个比例，也已经是 55=3125 组实验，成本与周期都难以承受。主动学习（Active Learning, AL）要解决的核心问题正是：在有限实验预算下，如何让每一次实验都尽可能携带最多信息，从而用更少的样本逼近最优材料。
1.1 主动学习核心循环：代理模型—采集函数—实验验证
主动学习不是一次性建模，而是一个闭环迭代过程。它由三个角色构成：代理模型负责对未知成分—性能关系给出预测与不确定度；采集函数把预测值和不确定度折算成一个“值得做实验”的分数；实验验证把真实测得的性能回填到数据集，更新代理模型。三者循环，直到预算耗尽或性能收敛。
以“寻找带隙在 1.3～1.5 eV 之间的钙钛矿组分”为例，可把组分描述符设为 A 位离子半径、B 位离子半径、容忍因子 t 与八面体因子 μ。代理模型可选用高斯过程回归（GPR），其输出为预测带隙均值 μ(x) 与标准差 σ(x)。采集函数常用 Expected Improvement（EI）：
EI(x) = (μ(x) - f*)·Φ(z) + σ(x)·φ(z)
其中 z = (μ(x) - f*) / σ(x)
f* 为当前已观测到的最优带隙目标值
Φ、φ 分别为标准正态分布的累积分布函数与概率密度函数当 μ(x) 已接近目标且 σ(x) 很小时，EI 较小，说明该点“既准又稳”，不值得再测；当 μ(x) 一般但 σ(x) 很大时，EI 可能反而较高，因为该点存在“意外发现”的可能。这正是主动学习区别于纯预测模型的关键：它主动选择“信息量最大”的实验点，而不是只选预测值最好的点。
1.2 与传统实验设计方法的对比
传统实验设计（DOE）包括全因子、正交表、响应面法（RSM）等。它们强调“预先设计、均匀覆盖、统计可解释”，适合变量少、机理清楚、实验成本可控的场景。主动学习则强调“边做边学、按需采样、目标导向”，适合高维、昂贵、黑箱或半黑箱的材料体系。两者并非替代关系，而是适用边界不同。
| 维度 | 传统 DOE / 网格扫描 | 主动学习 |
|---|---|---|
| 采样策略 | 预先固定，均匀或正交 | 迭代自适应，按采集函数选点 |
| 样本效率 | 低，随维度指数增长 | 高，通常可减少 50%～90% 实验量 |
| 对模型依赖 | 弱，可无模型 | 强，依赖代理模型与不确定度估计 |
| 适用维度 | 低维（≤5 变量） | 中高维（5～20+ 变量） |
| 结果可解释性 | 强，方差分析清晰 | 中，需额外做特征重要性分析 |
| 典型场景 | 配方微调、工艺窗口确认 | 新体系探索、多目标优化 |
需要提醒的是，主动学习并非“无脑自动”。若初始数据太少（例如少于 5 组），代理模型方差极大，采集函数会近似随机选点，此时应先做一轮拉丁超立方或正交设计建立基线。若实验噪声远大于模型不确定度，σ(x) 会被噪声主导，EI 也会失真，此时应优先提高测试重复性，而不是继续加采样点。
1.3 典型应用场景与闭环示意
主动学习在材料发现与优化中的典型场景包括：成分筛选（如高熵合金硬度、热电材料 zT 值）、工艺参数优化（如烧结温度—时间—气氛组合）、多目标权衡（如同时最大化离子电导率与电化学窗口）、跨体系迁移（把已知体系模型迁移到新体系，减少冷启动实验）。这些场景的共同点是：单次实验昂贵、设计空间大、目标函数无解析表达式。
下面这张图给出主动学习闭环的完整信号链：从初始数据集出发，经过代理模型、采集函数、实验验证，再回到数据集，形成迭代。图中同时标出了每一步的输入、输出与关键判断条件，便于对照实际研发流程理解。
理解这张图的关键在于：主动学习的“智能”并不来自某个神奇算法，而来自预测—不确定度—实验—更新这条闭环的持续运转。代理模型越准，采集函数越能聚焦；实验数据越干净，回填后模型提升越明显。反之，任何一环失效——初始数据过少、噪声过大、候选池偏离真实可行域——闭环都会退化为低效试错。因此，实际开展主动学习时，建议先明确三件事：目标性能与约束条件、单次实验的成本与周期、以及可用于描述材料的特征向量。这三者决定了代理模型和采集函数的选择，也决定了整个迭代能否真正跑起来。