Npj Comput. Mater. : AI助力材料设计很简单？“模态缺失”就难上难！

背景：人工智能在材料科学中展现出巨大潜力，但现实材料系统具有多尺度复杂性，其信息分布于化学成分、加工条件、微观结构和宏观性能等多个模态。由于采集成本高，关键的微观结构等模态信息常缺失，这严重制约了AI模型的预测和泛化能力。研究目的：为解决“模态不完备”问题，浙江大学研究团队提出了一种名为MatMCL的新型多模态学习框架，旨在通过结构引导的对比学习策略，在模态缺失情况下实现鲁棒的性能预测、跨模态生成与检索。结论：基于静电纺纳米纤维材料构建的多模态数据集验证表明，MatMCL在结构信息缺失时，其力学性能预测能力显著优于传统方法。该框架还能实现加工条件与微观结构的双向跨模态检索，并基于扩散模型生成微观结构，支持反向设计。此外，在样本极少的纳米纤维增强复合材料设计中，MatMCL也表现出高准确度预测，证明了其在解决材料多尺度、多模态、数据不完备问题上的强大适应性和通用性，为AI驱动的材料设计提供了灵活的新路径。