张金仓教授等著《材料高通量制备与表征技术》出版

作者简介

张金仓为上海大学教授、上海大学材料基因组工程研究院创院常务副院长，与张统一院士携手创建了上海大学材料基因组工程研究院，主要从事凝聚态与材料物理、材料基因组与高通量实验技术、智能计算材料等领域的科学研究工作，先后承担国家863计划、973计划和攀登计划项目，国家自然科学基金重点、面上及国际合作项目，国家重点研发计划项目和上海市重大、重点等科技计划项目二十余项。在薄膜材料组合样品库的高通量实验技术方面，张金仓教授团队构建了结合脉冲激光沉积系统PLD和氧化物分子束外延O-MBE的真空互联系统、高通量X衍射等高通量实验平台，在高通量材料制备与表征技术领域做出了有特色的工作。

上海大学张金仓教授等著的《材料高通量制备与表征技术》已由科学出版社出版。本书作为科学出版社“材料基因工程丛书”中的一册，是自2011年材料基因组方法提出以来，第一部系统阐述材料高通量实验技术的专业书籍，全书共分为八章，46万字。

材料高通量制备与表征技术

张金仓 等著

北京 : 科学出版社,2025. 9

(材料基因工程丛书)

ISBN 978-7-03-082307-6

张金仓教授领衔编著的《材料高通量制备与表征技术》由科学出版社出版，可喜可贺！该书作为“材料基因工程丛书”中的重要一册，是我所看到的材料科学与技术领域第一部系统阐述材料高通量制备与表征技术的专业书籍。

该书在材料基因组的理念下，系统构建了材料高通量实验技术的完整方法论体系。围绕材料制备和表征两方面内容，阐述了包含块体、薄膜和粉体材料的高通量制备技术，构建了“组分-性能-结构”的材料表征体系，其中在组分表征方面聚焦多谱系联用技术，在性能测试上涉及力学、热学、电磁学和光学等多个领域，并特别论述了人工智能技术与高通量实验的深度融合，包括机器学习在工艺参数优化中的决策机制、大模型在成分逆向设计中的赋能效应、人工智能自主实验室技术的发展，等等。全书内容自成体系，内容翔实，特色鲜明，资料丰富，相信会成为国内外材料高通量制备与表征领域一部难得的好书，为广大读者提供有益的参考。

顾秉林

中国科学院院士

清华大学原校长

2025年3月

数据、计算和实验是材料基因组方法的三大核心，高通量实验在材基因组研发中无疑具有极其重要的地位。其一，在材料基础研究和应用开发的全周期中，无论是探索性研究的初步验证，还是基于计算预测的新型材料设计，都需要通过实验来实现从理论到实际的转化，这一过程构成了材料科学研究的实证基础；其二，在数据-计算-实验的协同体系中，无论是机器学习生成的材料数据库，还是第一性原理计算获得的预测结果，也都需要实验验证其物理可实现性和工艺匹配性；其三，从数据科学视角来看，无论是材料制备性实验，还是测试表征性实验，都是最重要、最直接和最可靠的数据来源，既为数据科学提供原始数据输入，又为计算模型提供参数校准依据。可以说材料科学研究的哪一个环节都与实验密不可分，具有相辅相成的互相依赖性。近十多年来材料基因组技术的发展也充分印证了高通量实验技术作为推动材料领域发展着力点的重要性。

上海大学高通量薄膜材料高真空互联系统

高通量实验变革传统材料研发中的"试错迭代-经验积累"的循环试错范式，其技术瓶颈体现在三个维度：在工艺维度，依赖"单一配方设计-单元工艺参数-独立样品制备"的串行操作模式，单个研发周期须经历配料混合、成型烧结、性能表征等十余个孤立工序；在数据维度，受限于"单点实验-离散数据-人工解析"的碎片化研究路径，典型金属合金体系的成分-工艺-性能关系构建往往需要积累上千组实验数据；在时间维度，从新材料发现到工程应用的平均周期长达15~20年，这种手工作坊式的研发效率已难以满足战略性新兴产业对先进材料快速发展的迫切需求。

材料基因组计划引领的高通量实验技术，通过构建"集成设计-并行制备-集群表征"的协同研发体系，实现了三大技术突破：在制备环节，采用组合材料芯片、多通道反应系统及梯度沉积装置等方法，单次实验可同步生成含多组成分变量的样品，或制备多种工艺参数条件的样品库；在表征环节，依托自动化检测平台与多探针联用技术，X射线衍射-光谱分析-力学测试的集成化表征等高通量表征方法，可对制备的高通量样品的物性进行快速表征；在数据维度，基于标准化数据流水线构建的工艺-结构-性能关系矩阵，可以快速提升材料研发优化迭代的效率。这种"批量设计-并行实验-系统寻优"的新范式，极大程度地缩短了材料的研发周期，提升了研发效率。

传统“炒菜法”试错模式与材料基因组高通量实验研究模式的比较

例如，德国 波鸿鲁尔大学（Ruhr-Universität Bochum）研究小组发展了一种连续掩膜板法，通过设计自动控制两个掩膜板形成快门式协同组合，利用磁控溅射技术在一个4英寸的SiO₂/Si晶圆作为基片一次性制备了24个三元形状记忆合金薄膜材料高通量样品库，Ti、Ni和Ag三种元素分别在 相差120°的三个不同方向沉积，使得整个晶圆上有四列连续梯度的楔形排列，为很好地区分三角形组合材料芯片，在每个楔形梯度成分区域设置7 mm的间隙，楔形三角区域的尺度为15 mm。他们利用自动化能量色散X射线谱（EDX）测定了整个晶圆中三种元素成分的分布。这种一次制备多个材料芯片的方案在对一些材料不可逆破环性实验研究方面具有特别重要的意义和独特优势。

组合掩膜板法制备形状记忆合金三元材料芯片(a)及其EDX表征成分分布图(b~d)

我国西北大学的研究小组利用综合高通量纳米压痕实验，基于纳米压痕技术进行了材料应变性能的高通量表征。他们采用直流磁控溅射技术，以直径大约为58 cm的纯Cu (99.99 at.%)和Zr (99.99 at.%)做靶材，采用旋转掩膜板溅射技术，在Si(100)晶片上交替沉积了非晶Cu₅₀Zr₅₀/纳米晶Cu纳米层合材料，非晶层和纳米层的厚度分别为100 nm和10 nm，总堆叠厚度为1200 nm，最上层为非晶CuZr帽层。然后，利用双束聚焦离子束(FIB)制备了初始直径为630 nm的4×6nm柱阵列材料库，并在每个纳米柱周围挖出直径为25 μm的圆形陨石坑，通过扫描电镜观察纳米压痕变形前后阵列纳米柱的形貌，建立了CuZr/Cu非晶/晶体纳米层合材料的结构-性能关系，解释了纳米层合材料应变-位移曲线中存在锯齿化行为的物理机制。

非晶Cu₅₀Zr₅₀/纳米晶Cu纳米层合材料高通量4×6阵列样品库及微压缩SEM测试观察分布图

以机器学习为主的人工智能方法作为一种新的数据统计分析技术，越来越多地融合于材料高通量实验过程，为材料的快速筛选与优化提供了强有力的支持。材料高通量实验中机器学习模型的构建为其核心环节，包括从数据准备、模型构建与评估、以及模型应用等阶段。最终，通过优化模型的预测能力，将最佳的模型用于预测新材料的性能并筛选出可能具有优异性质的材料，指导未来的实验方向，降低盲目实验的成本。总之，将机器学习引入高通量实验过程数据的分析，并与实验过程相结合，为材料科学研究提供了一种高效的途径。这种方法能够在短时间内筛选出大量材料，快速定位到具有潜力的材料体系，从而显著加速材料的发现和开发过程。在材料基因组研发过程中最重要的就是探索材料“组分-工艺-结构-性能”的构效关系。不同的材料配比和组分以及材料加工方法可能导致材料具有相同或不同的结构，而材料的相同性质也可以通过多种结构获得。应用训练好的预测模型对新材料进行性能预测，根据预测结果指导新材料的逆向设计。同时，根据材料的“组分-工艺-结构-性能”构效关系，制定新材料的设计规则，并设定筛选标准，通过进一步的实验验证和优化，指导实验设计，降低实验成本，提高研发效率。

材料高通量实验中的机器学习模型构建过程

基于机器学习的高硬度合金设计示意图

领域知识指导的钙钛矿材料性能预测方法

随着人工智能、机器人技术和实验室自动化技术的不断发展和融合，数据驱动决策与自动化实验技术相结合，将突破传统实验室技术的局限，加速科学研究和产品开发的周期，实现材料科学高通量实验模式的使用优化和材料筛选。在材料研发领域，这一技术将高度融合材料基因组理念，带来实验室技术和研究模式的升级和进一步深化变革，这使得科学家们可以不再实时参与实验过程，而是利用复杂的机器学习技术实时通过实验过程积累足够的数据量，进行实时训练并对复杂的实验过程进行统计、识别和判断，建立相应的模型，进而实现对实验后续过程进行数据驱动的决策性判断和预测，并通过反馈进一步迭代学习，优化和提升实验过程。这种智能化自主闭环工作流模式，形成了真正的模拟领域科学家进行科学实验能力的基础。本书结合近年来在人工智能技术推动下自主机器人实验室技术的最新发展，结合材料科学的实际应用，对智能化自主实验室AI-Lab做了一定篇幅的专门介绍。

人工智能自主实验室闭环工作流模式的基本构架示意图

《材料高通量制备与表征技术》作为科学出版社“材料基因工程丛书”中的一册，对材料高通量制备与表征技术成果作了系统总结，为从事材料基因组研发领域的科学家、工程技术人员、在校研究生和本科生提供一部体系完整、针对性强的书面参考资料。

该书编著团队都是我的同事，领衔的张金仓教授又是我大学同窗挚友。自2014 年上海大学材料基因组工程研究院创建来，这些同事们就一直在该领域奋战，有丰富的材料高通量制备与表征技术及经验。该书围绕材料基因组高通量实验中的材料制备和表征两方面内容，编写自成体系，内容富于特色。材料制备按照块体、薄膜和粉体材料的高通量制备划分成稿，材料表征按照组分、性能和结构等高通量表征从物理、化学和力学等划分成稿，并根据近年来人工智能方法在材料高通量实验技术中的应用前沿增加了第8 章的内容，包括利用机器学习方法对实验数据的处理、大模型在材料研发中可能发挥的作用以及近年来人工智能实验室的发展。

该书体系完整，特色鲜明，资料丰富，相信一定是国内外材料高通量制备与表征领域难得的一部好书，定能为在材料基因组高通量实验技术研究领域的科学家和工程技术人员提供有益参考，也期待能成为未来有志于从事材料基因组领域工作的研究生和本科生的好教材。

张统一

中国科学院院士

香港工程科学院院士

上海大学教授

香港科技大学讲座教授

2025年3月

材料高通量制备与表征技术

张金仓 等著

北京 : 科学出版社,2025. 9

(材料基因工程丛书)

ISBN 978-7-03-082307-6

责任编辑：张淑晓 孙静惠

全书共8 章，第1 章为绪论，第2～4 章分别详述材料高通量制备技术，第5～7 章为材料高通量表征技术，第8 章专题介绍了人工智能技术与高通量实验的融合技术，包括机器学习在高通量实验中的应用、生成式大模型在材料研发中的赋能作用、人工智能机器人自主材料科学实验室技术进展等前沿方向。

本书适用于高等院校、科研院所、生产企业及政府管理部门材料科学与技术领域的科研、技术研发、管理与政策研究人员等阅读和参考，也特别适合作为材料科学与工程等相关专业研究生和本科生教材。

（本文编辑： 刘四旦 ）

专业品质 学术价值

原创好读 科学品位

一起阅读科学