以材料大数据为基础，以人工智能为核心的新材料研发智能化彰显出巨大潜能，孕育着材料科技和产业的巨大变革，成为材料科技和产业的颠覆性前沿技术。

以主动学习和贝叶斯优化为代表的自主决策技术，通过对巨大材料探索空间的有效采样，以较少的实验验证和迭代，筛选出具有最优目标性能的材料，成为材料智能化研发广泛采用的技术策略。德国马克斯普朗克钢铁研究所开发了一种广泛适用的主动学习框架，结合了生成模型、回归集成、物理驱动学习和实验，从数百万种高熵合金成分成功开发出了2种在300K时热膨胀系数极低的高熵因瓦合金，证明了主动学习框架在利用小样本数据，在广域空间内优化多目标性能的巨大潜力。

深度学习用于挖掘材料复杂的构效关系，大幅提升了前沿新材料的发现效率。麻省理工学院发展了晶体图卷积神经网络的深度学习框架，直接从晶体结构的原子连接方式挖掘材料性质，提出了具有第一性原理计算精度的材料性质预测方法，预测出了数十种新的晶体结构和分子材料特性。基于深度学习的逆向设计，直接对新材料的“成分/结构”信息进行预测，在超大材料设计空间中成功找到目标材料的成分/结构。德国明斯特大学使用神经网络结合蒙特卡洛树搜索，构建新的人工智能算法，逆向生成分子合成路线，显著提升了搜索效率。

劳伦斯伯克利国家实验室采用无监督学习，将材料文献中的科学知识有效地编码为信息密集的单词向量，提取了元素周期表内隐含的知识，以及材料结构和性质之间的关系，成功发现了新的热电材料。

2019年，美国科学院《材料研究前沿：十年调查》报告指出，以计算-实验-数据等技术融合创新的材料基因工程，尤其是材料大数据和人工智能在新材料研发中的应用，将有效地解决新材料研发和应用效率低的问题。