📌 一句话总结：新罕布什尔大学团队用 AI 从科学文献中构建了包含 67,573 种磁性化合物的数据库，发现 25 种此前未被识别的高温磁性材料候选者，有望替代电动汽车和清洁能源系统中对稀土永磁体的依赖——这不只是材料科学的突破，更是一场地缘政治博弈的结构性转折。
2026年2月22日 · 深度解读 · 阅读时间约 8 分钟
为什么稀土磁铁是清洁能源的「阿喀琉斯之踵」
你可能不知道，每辆电动汽车的驱动电机里都藏着一块拳头大小的永磁体。这块磁铁通常由钕铁硼（NdFeB）制成，负责将电池的电能高效转化为扭矩。没有它，电动汽车的续航、加速性能和生产成本都会大打折扣。
问题在于：钕是一种稀土元素。全球约 70% 的稀土开采和 90% 的稀土加工集中在中国。2024 年底中国对镓、锗等关键矿物实施出口管制后，稀土供应链的脆弱性再次成为全球焦点。稀土价格的每一次波动，都会沿着供应链层层传导——从矿山到磁铁工厂，从电机制造商到整车厂，最终反映在消费者的购车价格上。
不只是电动汽车。风力发电机、工业电机、MRI 医疗设备、智能手机振动马达、数据中心冷却系统、航空航天执行器、国防系统……稀土永磁体无处不在。整个清洁能源转型的叙事，本质上被一个地质学问题绑架了：谁控制了稀土矿，谁就控制了电机。
AI 如何在 67,573 种化合物中「大海捞针」
2 月 19 日，新罕布什尔大学（UNH）的研究团队在 Nature Communications 上发表了一项研究，展示了一种全新的 AI 驱动材料发现方法。这项工作的核心产出是一个名为「东北材料数据库」（Northeast Materials Database）的可搜索资源，包含 67,573 种磁性化合物的详细信息。
传统的材料发现方法依赖实验室里的逐一试错。考虑到元素组合的天文数字级可能性（数百万种），穷举法在时间和资金上都不现实。而第一性原理计算（如密度泛函理论 DFT）虽然能预测材料性质，但在处理磁性材料中的强关联电子系统时精度有限，且计算成本极高，通常只能处理小晶胞结构。
UNH 团队的方法论分为三步：
| 步骤 | 技术手段 | 产出 |
|---|---|---|
| 1. 数据提取 | 基于大语言模型的 GPTArticleExtractor 工作流，自动从科学论文的正文和表格中提取实验数据 | 67,573 条记录，涵盖化学组成、晶体结构、晶格参数、空间群对称性、矫顽力、磁化强度、磁矩、剩磁、磁化率等 |
| 2. 分类模型 | Random Forest + XGBoost 分类器 | 以 90% 准确率将材料分类为铁磁性、反铁磁性或非磁性 |
| 3. 温度预测 | 集成神经网络（ENN）回归模型 | 居里温度预测 R²=0.87，MAE=56K；奈尔温度预测 R²=0.83，MAE=38K |
关键突破在最后一步：模型从数据库中筛选出 25 种此前未被识别的铁磁性候选材料，其预测居里温度超过 500K（约 227°C）。这个温度阈值至关重要——它是区分「实验室里的有趣发现」和「能装进每天高温高负荷运转的电机里的实用材料」的分界线。另外还发现了 13 种预测奈尔温度超过 100K 的反铁磁性化合物。
为什么这次不一样：从「找矿」到「设计材料」的范式转移
过去几十年，解决稀土依赖的思路主要有两条：一是开发新矿源（如格陵兰、澳大利亚的稀土矿），二是回收利用（从废旧电子产品中提取稀土）。这两条路都没有跳出「稀缺资源」的框架——本质上还是在争夺同一块蛋糕。
UNH 团队的工作代表了第三条路：用 AI 设计替代材料，让稀缺性本身变得可选。
「通过加速可持续磁性材料的发现，我们可以减少对稀土元素的依赖，降低电动汽车和可再生能源系统的成本，并增强美国的制造业基础。」
— Suman Itani，论文第一作者，UNH 物理学博士生
这里有一个容易被忽略的技术细节：之前的自动化磁性材料数据库（如基于 ChemDataExtractor 的 39,822 条记录数据库）只能提取化学组成和相变温度等简单特征，无法处理复杂句式和表格数据。UNH 团队利用大语言模型的理解能力，首次实现了对晶体结构、晶格参数、空间群对称性等深层结构信息的自动化提取。这意味着机器学习模型获得了更丰富的特征输入，预测精度自然更高。
换句话说，这不是简单的「用 AI 搜索更快」，而是「AI 能理解科学论文中以前只有人类专家才能提取的复杂信息」。
地缘政治的结构性冲击波
如果这 25 种候选材料中哪怕有几种通过实验验证并进入量产，影响将远超材料科学本身。
目前的清洁能源供应链被一小撮矿物、一小撮国家和一小撮瓶颈所束缚。打破磁铁对稀土的依赖，不仅仅是降低成本——而是撕碎了一张地缘政治的勒索信。当「关键矿物」不再是首要谈判筹码时，连格陵兰的战略吸引力都会发生变化。
更深层的逻辑是：当计算能力遇上物理稀缺性，稀缺性开始变得可选。这是一种「结构性智能」——AI 不是在已有的博弈框架内优化，而是在改变博弈本身的规则。
对于中国而言，这也是一个值得关注的信号。稀土加工能力是中国在全球供应链中的重要杠杆之一。如果替代材料技术成熟，这个杠杆的效力将被显著削弱。当然，中国在 AI 驱动的材料科学领域同样有深厚积累，这场竞赛不会是单方面的。
冷水时刻：从论文到量产还有多远
在兴奋之余，必须泼一盆冷水。
首先，AI 预测的居里温度超过 500K 并不等于这些材料就能直接替代钕铁硼。永磁体的性能取决于多个参数的综合表现：剩磁（Br）、矫顽力（Hc）、最大磁能积（BHmax）。居里温度只是其中一个维度。一种材料可能在高温下保持磁性，但磁能积远不及钕铁硼。
其次，从计算预测到实验验证再到工业量产，通常需要 5-10 年甚至更长时间。材料的可加工性、成本、环境影响、与现有制造工艺的兼容性——每一个环节都可能成为瓶颈。
第三，模型本身的局限性。居里温度预测的 MAE 为 56K，这意味着对于一个预测值为 500K 的材料，实际值可能在 444K 到 556K 之间。对于工程应用来说，这个误差范围仍然偏大。
但这些限制并不否定这项工作的价值。它的意义在于：将材料发现从「大海捞针」变成了「有地图的寻宝」。即使 25 个候选者中最终只有 2-3 个通过验证，也足以改变行业格局。
富贵点评
这篇论文让我想到一个更大的趋势：AI 正在从「软件吃软件」走向「软件吃硬件」。过去几年我们讨论的 AI 应用大多在数字世界里——写代码、生成图片、聊天对话。但当 AI 开始重新定义物理世界的材料基础时，影响的量级完全不同。
从投资视角看，这类「AI for Science」的研究往往被市场低估。大家的注意力都在大模型的参数竞赛和 Agent 生态上，但真正可能改变世界的，可能是这些安静地发表在 Nature Communications 上的论文。一个 67,573 种化合物的数据库，25 个候选材料，听起来不如「GPT-5 发布」那么性感，但它指向的是一个更根本的问题：当 AI 能够系统性地加速科学发现时，我们对「稀缺」的定义本身就需要重写。
美国能源部基础能源科学办公室资助了这项研究，这不是偶然的。在中美科技竞争的大背景下，「用 AI 摆脱稀土依赖」不仅是科学命题，更是国家安全命题。未来几年，AI 驱动的材料发现将成为大国博弈的新战场。
📋 要点回顾
- 数据库规模：UNH 团队构建了包含 67,573 种磁性化合物的「东北材料数据库」，是目前最全面的磁性材料自动化数据库
- 核心发现：AI 模型识别出 25 种此前未被认识的高温铁磁性候选材料（居里温度 >500K），可能替代稀土永磁体
- 技术创新：首次利用大语言模型从科学论文中自动提取晶体结构、晶格参数等深层信息，突破了此前自动化数据库只能提取简单特征的限制
- 模型性能：分类准确率 90%，居里温度预测 R²=0.87（MAE=56K），奈尔温度预测 R²=0.83（MAE=38K）
- 战略意义：如果替代材料通过验证并量产，将从根本上改变稀土供应链的地缘政治格局，削弱资源垄断的杠杆效力
❓ 常见问题
Q: 这 25 种新材料能直接替代电动汽车中的钕铁硼磁铁吗？
A: 目前还不能。AI 预测的是居里温度（材料保持磁性的上限温度），但永磁体的实用性还取决于剩磁、矫顽力和磁能积等多个参数。这 25 种候选材料需要经过实验室合成、性能测试和工程验证，从论文到量产通常需要 5-10 年。
Q: 为什么用 AI 而不是传统计算方法（如密度泛函理论）来发现新磁性材料？
A: 密度泛函理论（DFT）在处理磁性材料中的强关联电子系统时精度有限，且计算成本极高，通常只能处理小晶胞结构。AI 方法通过从海量已有文献中学习模式，能以极低成本快速筛选数万种化合物，将「大海捞针」变成「有地图的寻宝」。
Q: 这项研究对普通消费者意味着什么？
A: 如果稀土替代材料最终实现商业化，最直接的影响是电动汽车和清洁能源设备的成本下降。稀土价格波动是电动汽车成本不稳定的重要因素之一，摆脱这一依赖将使电动汽车价格更加可预测和亲民。
作者：王富贵 | 发布时间：2026年2月22日
参考来源：Nature Communications - The northeast materials database for magnetic materials · ScienceDaily · The Digital Speaker