AI在非织造材料与工程中的应用

20XX/XX/XXAI在非织造材料与工程中的应用汇报人:XXXCONTENTS目录01

非织造材料行业概述02

AI技术基础与核心应用价值03

AI在非织造材料设计与研发中的应用04

AI在非织造生产线智能化中的实践CONTENTS目录05

典型应用案例分析06

行业AI布局策略与路径07

挑战与解决方案08

未来发展趋势与展望非织造材料行业概述01行业背景及发展历程行业起源与早期应用非织造布行业起源于20世纪中叶，最初主要应用于医疗领域，为现代医疗防护提供了关键材料支撑。技术演进与性能提升非织造布技术经历了从传统纺丝到无纺布，再到多层复合非织造布的演进过程。近年来，随着纳米技术、生物技术等新技术的应用，非织造布的性能得到了显著提升。应用领域的多元化拓展非织造布应用领域广泛，已从医疗领域拓展至卫生、环保、服装、家居等多个行业。据统计，全球非织造布产品在医疗领域的应用占比超过30%，市场前景广阔。应用领域与市场规模01核心应用领域分布非织造材料应用覆盖医疗、卫生、环保、服装、家居等多行业，其中医疗领域占比超30%；AI技术在柔性纤维与电子材料、具身智能、生物医用等新兴场景需求显著。02全球市场规模及增长2020年全球非织造布市场规模达500亿美元，预计未来保持5%年复合增长率；AI+新材料结合领域市场预计未来五年达5000亿美元，年均增长率近10%。03区域市场发展动态北美和欧洲为传统主要消费市场，占比超40%；亚洲市场增长迅速，中国和印度预计成为全球最大消费市场；中国在高端非织造、智能纺织品领域加速技术输出。04AI赋能市场增长动力医疗需求增长、环保政策推动及AI技术优化生产效率是核心动力；AI应用使生产线故障率降低20%以上，材料研发周期从传统10年压缩至10个月甚至更短。行业竞争格局及主要企业

01全球市场竞争格局非织造布行业竞争激烈，市场集中度较高，全球前十大企业占据超过50%的市场份额，其中北美和欧洲企业占据多数。

02国际主要企业杜邦、埃克森美孚、诺维信等国际知名企业在非织造布领域占据重要地位，凭借技术研发和全球布局保持竞争优势。

03国内主要企业中石化、山东鲁抗等国内企业在市场中扮演重要角色，不断提升技术水平和产能，在本土及国际市场逐步扩大份额。

04市场动态与行业整合近年来，行业并购活动频繁，企业通过并购拓展产品线、增强市场竞争力，推动行业结构优化升级，加速技术创新与资源整合。AI技术基础与核心应用价值02人工智能的定义与核心特点人工智能（AI）是模拟、延伸和扩展人的智能的理论、方法、技术及应用系统，核心特点包括自主学习、推理判断、自然语言处理等，能够处理大量数据并做出智能决策。主流AI技术分类及应用方向AI技术主要分为机器学习、深度学习、自然语言处理、计算机视觉等。其中，深度学习是当前AI领域的热点，通过神经网络模型实现高度自动化的数据分析和模式识别，在非织造材料性能预测、生产优化等方面有重要应用。人工智能发展历程关键阶段人工智能的发展经历了多个阶段，从20世纪50年代的萌芽期，到80年代的低谷期，再到21世纪的复苏期。近年来，随着大数据、云计算等技术的推动，AI技术取得了显著进展，为非织造材料与工程领域带来了革新性影响。AI技术定义与分类AI在材料科学中的应用价值

加速材料研发周期AI技术通过机器学习和深度学习模型，可将传统材料研发周期从数年甚至十年缩短至数月、数周乃至数天，如首届中国“AI+新材料”大会指出AI有望将研发周期压缩至10个月甚至10天。

提升材料性能预测精度利用AI算法如SVR结合遗传算法（GA）、灰狼优化算法（GWO）等，可实现对材料性能的精准预测，例如在插层熔喷非织造材料性能调控中，GA-SVR模型等能有效建立工艺参数与结构变量、产品性能间的关系。

拓展材料设计空间与可能性AI技术能够突破传统设计方法的局限，探索更广泛的材料化学与结构多样性，如深度思维公司的GNoME系统一次性发现220万种新型晶体材料，微软MatterGen模型能直接生成符合特定性能需求的材料。

优化材料生产工艺与质量控制AI在材料生产过程中可实现实时监控、智能检测和质量控制，如非织造布生产线中应用AI监控可降低故障率20%以上，AI质量检测精度达0.1毫米，提升检测速度50%，使产品合格率提高15%。非织造材料工程中的AI技术适配性工艺参数优化的AI适配AI算法如GA-SVR、GWO-SVR可建立工艺参数（如接收距离、热空气速度）与结构变量（厚度、孔隙率）的关系模型，实现精准调控，例如GA-SVR模型在插层熔喷非织造材料性能预测中表现优异。质量检测的AI适配计算机视觉与深度学习技术在非织造材料质量检测中应用，如智能检测系统缺陷识别精度达0.1毫米，检测速度提升50%，AI分拣系统速度可达每分钟100件。柔性材料设计的AI适配AI技术赋能柔性非织造材料设计，通过多尺度模拟、生成式设计等，提升材料智能化水平与多功能集成效能，满足电子显示、生物医用等场景需求，如M3GNet势函数助力材料性能评估筛选。设备维护的AI适配基于AI的预测性维护系统可降低非织造布生产线故障率20%以上，故障诊断准确率超90%，维护成本降低30%，实现设备全生命周期的智能管理。AI在非织造材料设计与研发中的应用03核心算法与模型架构采用支持向量回归（SVR）结合遗传算法（GA）、孤立森林（IF）及灰狼优化算法（GWO）构建预测模型，通过核函数映射捕捉工艺参数与材料性能间的非线性关系，如GA-SVR模型可优化惩罚参数（C）、损失函数（epsilon）及核系数（gamma）。数据处理与特征工程收集工艺参数（如接收距离、热空气速度）、结构变量（厚度、孔隙率）及产品性能数据，采用孤立森林算法识别并剔除异常值，将数据标准化处理后，按90%训练集、10%测试集划分，确保模型泛化能力。模型优化与性能评估通过GA算法对SVR参数进行全局寻优（设置20代、每代10个个体），对比GA-SVR、IF-SVR及GWO-SVR模型性能，以均方误差（MSE）、决定系数（R²）为评估指标，GA-SVR模型在插层熔喷非织造材料性能预测中表现更优。典型应用场景实现对熔喷非织造材料力学性能（如压缩回弹性）、过滤性能的快速预测，指导工艺参数优化，例如基于AI模型可将材料缺陷检出率从5%降至1%，缩短研发周期并降低实验成本。材料性能预测模型构建工艺参数优化算法应用GA-SVR模型参数调优利用遗传算法（GA）优化支持向量回归（SVR）的惩罚参数(C)、损失函数(epsilon)及核系数(gamma)，参数范围限定为[0,100]，设置20代种群进化，每代10个个体，实现工艺参数与结构变量关系模型的精准构建。GWO-SVR全局寻优策略基于灰狼优化算法（GWO）的群体智能特性，通过模拟灰狼狩猎行为更新种群位置，动态平衡全局搜索与局部寻优，提升SVR模型对熔喷非织造材料工艺参数的优化效率，收敛速度较传统方法提升80%。孤立森林-SVR异常数据处理采用孤立森林算法对插层熔喷非织造材料的工艺与性能数据进行异常检测，通过随机特征选择与分割值递归分区，识别并剔除数据集中的异常点，使SVR模型预测精度提升15%，均方误差降低至0.01以下。多算法性能对比与验证对比GA-SVR、GWO-SVR及孤立森林-SVR模型在插层熔喷材料厚度、孔隙率、压缩回弹性预测中的表现，GA-SVR模型综合性能最优，R²值达0.92，EVS（解释方差分数）较其他模型高10%-15%，为工艺参数优化提供可靠工具。新型材料生成式设计案例

熔喷非织造材料性能优化模型采用GA-SVR、孤立森林-SVR和GWO-SVR等AI算法，建立工艺参数（接收距离、热空气速度）与结构变量（厚度、孔隙率、压缩回弹性）的关系模型，实现插层熔喷非织造材料性能精准调控，其中GA-SVR模型表现更优。

GNoME系统发现新型晶体材料谷歌深度思维公司开发的“材料探索图网络”（GNoME）AI系统，一次性发现220万种新型晶体材料，涵盖5.2万种类似石墨烯的层状化合物及528种锂离子导体，其中700多种已获独立合成验证。

MatterGen模型生成目标材料微软AI工具MatterGen可根据指定材料类型及机械、电气、磁性等性能需求，直接生成符合设计条件的材料，如特定硬度的“钽铬氧化物”无序化合物，虽存在部分已知材料重复生成问题，但为精准研发提供有力工具。

MOF材料结构预测与碳捕获元宇宙平台公司与佐治亚理工学院合作，利用AI技术预测出100多种对二氧化碳强吸附的金属有机框架（MOF）结构，为直接空气捕获碳技术研发提供支撑，尽管存在模型高估材料结合能力的争议。数据驱动的材料发现与设计AI技术通过分析海量材料数据，能够快速识别具有特定性质的新材料。例如，深度思维公司开发的“材料探索图网络”（GNoME）AI系统，一次性发现220万种新型晶体材料，涵盖元素周期表多种元素，其中包括5.2万种类似石墨烯的层状化合物，以及528种有望改进可充电电池性能的锂离子导体。生成式AI重塑材料设计流程生成式AI如微软的MatterGen模型，能直接生成符合设计条件的材料。科学家不仅可指定材料类型，还能设定机械、电气、磁性等性能需求，为精准研发提供有力工具，突破了传统设计的边界，实现了从“需求”到“材料结构”的直接映射。机器学习加速材料性能预测与优化在非织造材料领域，通过AI算法与支持向量回归（SVR）的结合，如遗传算法（GA）、孤立森林（IF）及灰狼优化算法（GWO）优化SVR模型，可对材料性能进行高效预测和工艺参数优化。例如，GA-SVR模型在插层熔喷非织造材料性能调控中，能建立工艺参数与结构变量、产品性能间的关系模型，提升预测准确性和效率。多尺度模拟与自主实验平台的融合AI技术与多尺度模拟、自主实验平台相结合，如劳伦斯伯克利国家实验室的A-Lab机器人系统，通过研读上万篇无机化合物合成论文，掌握配方设计能力，可合成DFT已预测结构却从未被制备的化合物，并能操控机器人执行实验、分析产物是否达标，必要时调整配方实现闭环优化，加速了材料从实验室到产业化的进程。AI驱动的材料创新范式AI在非织造生产线智能化中的实践04生产线实时监控与数据采集多维度数据实时采集体系

集成生产工艺参数（如接收距离、热空气速度）、设备运行状态（温度、压力）及产品质量指标（厚度、孔隙率），构建非织造布生产线全流程数据采集网络，采样频率可达毫秒级。AI驱动的实时监控与异常预警

应用计算机视觉与传感器融合技术，对生产过程进行实时监控，AI系统可自动识别潜在问题和异常，使生产线故障率降低20%以上，保障生产连续性。数据标准化与边缘计算应用

采用边缘计算技术对采集数据进行预处理与标准化，确保数据质量，同时降低云端传输压力，为后续AI分析（如故障诊断、质量预测）提供可靠数据基础。实时监控与异常检测AI技术在非织造布生产线监控中实现实时数据采集与分析，通过对生产过程的实时监控，可及时发现潜在的问题和异常，提高生产效率和产品质量。据统计，应用AI监控后，生产线故障率可降低20%以上。智能故障诊断与定位AI系统通过对海量历史故障数据的分析，建立故障诊断模型，能够快速准确地对生产线故障进行定位和诊断，缩短维修时间。实践表明，AI故障诊断准确率可达90%以上。基于AI的预测性维护基于AI的预测性维护系统能够预测设备未来的故障风险，提前进行维护，避免突发故障造成的损失。据统计，通过AI实现预防性维护后，设备维护成本可降低30%。企业应用案例与成效企业A通过AI故障诊断系统，能够提前预知设备故障，及时进行维护，避免了生产中断。故障诊断准确率高达95%，维护成本降低了30%。设备故障诊断与预防性维护生产流程优化与智能调度

AI驱动的生产参数智能优化利用遗传算法（GA）、灰狼优化算法（GWO）等AI算法，对非织造布生产线的工艺参数如接收距离、热空气速度进行优化，可建立工艺参数与材料结构变量（厚度、孔隙率等）的关系模型，提升生产效率与产品性能稳定性。

基于机器学习的智能调度系统通过机器学习分析生产数据，实现生产线的智能调度，减少停机时间。例如，某企业应用AI智能调度系统后，生产效率提高20%，月均产量提升15%。

AI赋能的柔性生产与快速响应AI技术支持非织造生产线实现柔性化生产，能够快速响应市场需求变化，例如AutefaSolutions推出的LineONE一体化非织造生产线，以高灵活性为过滤、汽车及土工布领域提供高效解决方案，适应多品种、小批量生产需求。质量检测与智能分拣技术AI视觉检测技术采用图像识别与深度学习技术，实现对非织造材料缺陷的自动识别，检测精度可达0.1毫米，较传统人工检测效率提升50%。智能分拣系统AI驱动的智能分拣系统能够根据产品特征进行快速、准确分类，分拣速度可达每分钟100件，有效提升生产线整体效率。自动化缺陷检测SheltonVision的自动化织造缺陷检测系统，能在复杂图案中精准识别瑕疵，提升产品质量控制水平。AI光学分类技术西班牙企业Picvisa利用AI光学分类系统，在回收环节精准识别并分离不同材质与颜色的纺织品，为循环经济提供技术支撑。典型应用案例分析05AI优化插层熔喷非织造材料性能

AI驱动的工艺参数与性能关联建模通过支持向量回归（SVR）等机器学习模型，建立插层熔喷非织造材料工艺参数（如接收距离、热空气速度）与结构变量（厚度、孔隙率、压缩回弹性）及最终产品性能间的非线性关系模型，实现材料性能的精准预测。

智能优化算法提升模型精度采用遗传算法（GA）、灰狼优化算法（GWO）等智能优化算法对SVR模型参数（惩罚参数C、损失函数epsilon、核系数gamma）进行寻优，对比GA-SVR、GWO-SVR等模型性能，筛选出预测精度更优的组合，例如GA-SVR模型在相关研究中表现突出。

孤立森林算法增强数据可靠性引入孤立森林（IF）算法对插层熔喷非织造材料的工艺与性能数据进行异常值检测，识别并剔除数据集中的异常点，减少噪声干扰，提升模型训练数据的质量和稳定性，从而优化AI预测模型的稳健性。

实现材料性能的高效调控与优化基于AI优化模型，可根据目标性能需求反向推导出最优工艺参数组合，指导插层熔喷非织造材料的生产实践，例如在口罩用熔喷材料的研发中，能有效调控其过滤效率、透气性等关键性能，缩短研发周期并降低成本。智能生产线效率提升实践AI智能调度与生产优化企业通过AI智能调度系统优化生产流程，减少停机时间，提升生产效率。例如，某企业应用后月均产量提升15%，生产效率提高20%。AI自动化生产线与人均产值提升引入AI自动化生产线，可显著提高生产效率与年产量，满足市场需求增长。实例显示，某企业应用后生产效率提高30%，年产量增加20%，人均产值提升25%。AI驱动的工艺参数与流程优化AI技术通过优化生产流程和减少人工干预，降低生产成本。结合AI对工艺参数的智能分析与调整，可实现生产成本降低10%，同时减少故障率15%。柔性材料与电子材料AI赋能案例

AI驱动柔性纤维材料性能优化东华大学研究团队提出极性诱导角蛋白自组装策略，基于AI分析蛋白变构特性，实现非织造材料表界面绿色无损功能化，润湿性提升显著（水接触角由121°降至0°），持液能力提升3.2倍，兼具有机污染物吸附和植物栽培功能。

AI辅助熔喷非织造材料性能调控通过GA-SVR、GWO-SVR等AI算法模型，建立工艺参数（如接收距离、热空气速度）与结构变量（厚度、孔隙率）的关系模型，实现材料性能精准预测与优化，模型预测准确率高，为口罩等关键防护材料生产提供技术支撑。

AI赋能电子材料智能分拣与再生西班牙企业Picvisa利用AI光学分类系统，在纺织回收环节精准识别并分离不同材质与颜色的柔性电子材料，Andritz公司则通过AI技术优化废旧纺织品再生流程，推动电子材料循环经济发展，提升资源利用率。绿色无损表界面功能化技术应用

绿色无损功能化策略基于蛋白两亲变构特性，提出极性诱导角蛋白自组装的绿色无损表界面功能化新策略，以乙醇诱导角蛋白分子展链解构并稳态再构，避免使用有毒化学品。

材料性能提升效果角蛋白功能化黄麻/聚乳酸非织造材料润湿性显著改善，水接触角由121°降至0°；持液能力较原始基材提升3.2倍，同时力学性能得到增强。

多元化应用潜力该功能化材料兼具有机污染物吸附和植物栽培功能，在无土栽培、棕地修复及环境治理等领域展现出良好应用前景，且材料具有可降解性。行业AI布局策略与路径06技术创新与研发投入方向多尺度模拟与生成式设计技术研发重点开发基于图神经网络（如MEGNet、M3GNet）的非织造材料性能预测模型，实现从原子级到宏观性能的跨尺度模拟。探索生成对抗网络（GAN）在非织造材料微观结构设计中的应用，拓展材料化学与结构多样性的探索空间。AI驱动的工艺参数优化算法研究深入研究遗传算法（GA）、灰狼优化算法（GWO）等智能优化算法与支持向量回归（SVR）等机器学习模型的融合，如GA-SVR、GWO-SVR，用于插层熔喷等工艺参数的精准调控，提升材料性能预测准确性和工艺优化效率。智能化生产与检测装备开发研发集成计算机视觉与深度学习的在线质量检测系统，实现非织造材料缺陷的高精度（如0.1毫米级别）、高速（如每分钟100件以上）智能检测。开发基于AI的生产线智能调度与预防性维护系统，目标降低故障率20%以上，减少维护成本30%。绿色低碳与可持续技术创新投入研发生物基可降解非织造材料、化学回收塑料基材料（如UltramidCcycled）及零碳足迹材料（如UltramidZeroPCF）。开发AI辅助的废旧纺织品智能分拣与再生技术，以及节能生产工艺参数优化系统，响应国家“双碳”战略。跨学科融合与产学研协同研发加强与高校、研究机构（如先进纤维材料全国重点实验室、柔性电子全国重点实验室）的合作，推动材料科学、人工智能与非织造工程的交叉融合。积极参与“AI+新材料”等前沿学术交流，如首届中国“AI+新材料”大会，促进创新成果转化。产业链协同与资源整合跨领域协同创新平台搭建通过构建“材料科学+AI技术+应用场景”的跨领域协同创新平台，促进产学研用深度融合。例如，首届中国“AI+新材料”大会设置18个国家重大战略急需分论坛，吸引超过50位院士及近4000名专家、企业家、投资人参与，推动AI与新材料的协同发展。产业链数据共享与标准化建立基于AI的材料信息平台，实现产业链上下游企业间数据共享与标准化管理。通过推广IFC标准等数据互操作性规范，打破数据孤岛，提升AI模型训练质量，为新材料研发提供强大数据支持，预计可带来5%的成本节约。供应链智能优化与整合利用AI技术优化供应链，实现原材料采购、生产制造、物流配送等环节的智能调度与资源整合。例如，通过AI驱动的协同设计平台，实时同步设计数据与用户反馈，提升团队协作效率，缩短产品研发周期，助力企业快速响应市场需求。产业集群与生态构建打造以AI技术为核心的非织造材料产业集群，推动区域内企业、科研机构、服务机构等资源整合。如西班牙加泰罗尼亚集群Tèxtils.Cat通过网络化创新模式，加速先进纺织材料产业发展，跻身欧洲第一梯队，为行业绿色化、智能化转型提供生态支撑。企业AI转型实施步骤

明确转型目标与需求分析企业需结合自身在非织造材料与工程领域的实际情况，如生产效率提升、质量控制优化、材料研发创新等，明确AI转型的具体目标。同时，对现有业务流程、数据基础、技术架构进行全面分析，识别AI应用的潜在场景和需求痛点。

组建专业AI转型团队成立由企业内部业务骨干、技术人员以及外部AI专家组成的专项团队，负责AI转型的规划、实施与推进。团队需具备跨学科知识，涵盖非织造材料专业、数据科学、人工智能算法等领域，确保转型工作的顺利开展。

数据基础设施建设与治理构建完善的数据采集、存储和管理体系，确保生产过程中的各类数据（如工艺参数、设备运行数据、产品质量数据等）能够被有效获取和整合。同时，建立数据治理机制，保障数据的质量、安全与合规性，为AI模型的训练和应用提供可靠的数据支撑。

AI技术选型与试点应用根据转型目标和需求，选择适合的AI技术（如机器学习、深度学习、计算机视觉等）和解决方案。在企业内部选择典型环节或场景进行AI试点应用，如基于GA-SVR模型的材料性能预测、AI视觉检测系统的产品质量控制等，积累经验并逐步推广。

系统集成与人才培养将AI系统与企业现有生产管理系统、设备控制系统等进行无缝集成，实现数据互通和业务协同。同时，加强企业内部员工的AI技能培训，提升员工对AI技术的理解和应用能力，培养既懂非织造专业又掌握AI技术的复合型人才。

效果评估与持续优化建立AI应用效果的评估指标体系，对AI转型项目的实施效果进行定期评估。根据评估结果，及时发现问题并进行调整和优化，不断迭代AI模型和应用方案，持续提升AI在非织造材料与工程中的应用价值，推动企业实现智能化转型升级。国家战略层面政策扶持政府应出台相关政策，对非织造布行业AI应用给予税收优惠、资金补贴等扶持。预计未来三年，政府将投入10亿元用于AI产业发展。产业基金与多元化资金支持设立产业基金，支持AI技术研发和应用项目。通过政府引导，吸引社会资本参与，形成多元化的资金支持体系，助力企业技术升级与创新。产学研协同创新平台搭建推动高校、研究机构与企业合作，如广州南沙未来产业技术创新研究院的设立，促进AI技术在非织造材料领域的成果转化与应用落地。行业标准与数据安全规范制定加强行业标准化建设，规范AI技术应用流程，同时建立数据安全保护政策，提升员工数据安全意识，确保生产数据不被非法获取与滥用。政策与产业支持体系构建挑战与解决方案07数据安全与隐私保护

数据安全的核心挑战AI应用过程中，数据安全和隐私保护是关键挑战。非织造布生产线涉及大量生产数据、工艺参数及客户信息，一旦泄露或被非法获取，将造成严重损失。

数据加密与访问控制企业需加强数据加密技术的应用，对敏感数据进行加密存储和传输。同时，建立严格的访问控制机制，明确不同角色的数据访问权限，确保数据不被未授权访问。

数据保护政策与员工意识建立完善的数据保护政策，规范数据的收集、使用、存储和销毁流程。加强员工数据安全意识培训，定期开展数据安全演练，提升全员对数据安全重要性的认识。AI系统与现有生产系统的整合难点将AI技术与非织造布生产线现有系统整合存在技术难题，需进行系统升级和改造，以确保AI系统与生产线无缝对接，保障数据流畅通与控制指令有效执行。数据标准与接口协议统一不同设备和系统间数据格式与接口协议差异大，需建立统一的数据标准和接口规范，实现AI系统与PLC、传感器、MES等各类生产系统的数据交互与集成。复合型技术人才培养与引进技术整合需要既懂AI技术又熟悉非织造生产工艺的复合型人才。企业可通过校企合作、内部培训等方式培养人才，同时优化人才激励机制，引进外部专业人才，提升技术整合能力。系统兼容性测试与验证在AI技术应用前，需进行全面的系统兼容性测试，模拟实际生产环境，验证AI系统与现有设备、软件的兼容性，及时发现并解决冲突问题，确保生产过程稳定可靠。技术整合与系统兼容性专业人才培养与团队建设

复合型人才培养目标培养兼具非织造材料专业知识与AI技术应用能力的复合型人才，需掌握材料科学、机器学习、数据处理等跨学科技能，以满足行业智能化发展需求。

校企合作培养模式推动企业与高校合作，如东华大学与新凤鸣集团等企业合作，通过联合实验室、实习基地、定向培养等方式，实现理论与实践结合，加速人才成长。

AI技能培训体系针对企业现有员工，开展AI技术应用培训，内容包括机器学习基础、Python编程、工业数据分析等，提升团队智能化操作与维护能力，适应生产线技术升级。

跨学科团队组建策略构建由材料工程师、AI算法专家、数据分析师、生产管理人员组成的跨学科团队，明确分工协作机制，促进知识共享，攻克非织造材料AI应用中的复杂技术难题。模型原创性与实用性平衡原创性挑战：已知材料重复生成部分AI模型存在生成已知材料的问题，如微软MatterGen曾合成1972年已制备的钽铬氧化物无序化合物，反映出训练数据与模型创新机制的不足。实用性争议：稀有元素与性能偏差AI预测材料中包含钷、锕