張金倉教授等著《材料高通量制備與表征技術》出版

作者簡介

張金倉為上海大學教授、上海大學材料基因組工程研究院創院常務副院長，與張統一院士攜手創建了上海大學材料基因組工程研究院，主要從事凝聚態與材料物理、材料基因組與高通量實驗技術、智能計算材料等領域的科學研究工作，先后承擔國家863計劃、973計劃和攀登計劃項目，國家自然科學基金重點、面上及國際合作項目，國家重點研發計劃項目和上海市重大、重點等科技計劃項目二十余項。在薄膜材料組合樣品庫的高通量實驗技術方面，張金倉教授團隊構建了結合脈沖激光沉積系統PLD和氧化物分子束外延O-MBE的真空互聯系統、高通量X衍射等高通量實驗平臺，在高通量材料制備與表征技術領域做出了有特色的工作。

上海大學張金倉教授等著的《材料高通量制備與表征技術》已由科學出版社出版。本書作為科學出版社“材料基因工程叢書”中的一冊，是自2011年材料基因組方法提出以來，第一部系統闡述材料高通量實驗技術的專業書籍，全書共分為八章，46萬字。

材料高通量制備與表征技術

張金倉 等著

北京 : 科學出版社,2025. 9

(材料基因工程叢書)

ISBN 978-7-03-082307-6

張金倉教授領銜編著的《材料高通量制備與表征技術》由科學出版社出版，可喜可賀！該書作為“材料基因工程叢書”中的重要一冊，是我所看到的材料科學與技術領域第一部系統闡述材料高通量制備與表征技術的專業書籍。

該書在材料基因組的理念下，系統構建了材料高通量實驗技術的完整方法論體系。圍繞材料制備和表征兩方面內容，闡述了包含塊體、薄膜和粉體材料的高通量制備技術，構建了“組分-性能-結構”的材料表征體系，其中在組分表征方面聚焦多譜系聯用技術，在性能測試上涉及力學、熱學、電磁學和光學等多個領域，并特別論述了人工智能技術與高通量實驗的深度融合，包括機器學習在工藝參數優化中的決策機制、大模型在成分逆向設計中的賦能效應、人工智能自主實驗室技術的發展，等等。全書內容自成體系，內容翔實，特色鮮明，資料豐富，相信會成為國內外材料高通量制備與表征領域一部難得的好書，為廣大讀者提供有益的參考。

顧秉林

中國科學院院士

清華大學原校長

2025年3月

數據、計算和實驗是材料基因組方法的三大核心，高通量實驗在材基因組研發中無疑具有極其重要的地位。其一，在材料基礎研究和應用開發的全周期中，無論是探索性研究的初步驗證，還是基于計算預測的新型材料設計，都需要通過實驗來實現從理論到實際的轉化，這一過程構成了材料科學研究的實證基礎；其二，在數據-計算-實驗的協同體系中，無論是機器學習生成的材料數據庫，還是第一性原理計算獲得的預測結果，也都需要實驗驗證其物理可實現性和工藝匹配性；其三，從數據科學視角來看，無論是材料制備性實驗，還是測試表征性實驗，都是最重要、最直接和最可靠的數據來源，既為數據科學提供原始數據輸入，又為計算模型提供參數校準依據。可以說材料科學研究的哪一個環節都與實驗密不可分，具有相輔相成的互相依賴性。近十多年來材料基因組技術的發展也充分印證了高通量實驗技術作為推動材料領域發展著力點的重要性。

上海大學高通量薄膜材料高真空互聯系統

高通量實驗變革傳統材料研發中的"試錯迭代-經驗積累"的循環試錯范式，其技術瓶頸體現在三個維度：在工藝維度，依賴"單一配方設計-單元工藝參數-獨立樣品制備"的串行操作模式，單個研發周期須經歷配料混合、成型燒結、性能表征等十余個孤立工序；在數據維度，受限于"單點實驗-離散數據-人工解析"的碎片化研究路徑，典型金屬合金體系的成分-工藝-性能關系構建往往需要積累上千組實驗數據；在時間維度，從新材料發現到工程應用的平均周期長達15~20年，這種手工作坊式的研發效率已難以滿足戰略性新興產業對先進材料快速發展的迫切需求。

材料基因組計劃引領的高通量實驗技術，通過構建"集成設計-并行制備-集群表征"的協同研發體系，實現了三大技術突破：在制備環節，采用組合材料芯片、多通道反應系統及梯度沉積裝置等方法，單次實驗可同步生成含多組成分變量的樣品，或制備多種工藝參數條件的樣品庫；在表征環節，依托自動化檢測平臺與多探針聯用技術，X射線衍射-光譜分析-力學測試的集成化表征等高通量表征方法，可對制備的高通量樣品的物性進行快速表征；在數據維度，基于標準化數據流水線構建的工藝-結構-性能關系矩陣，可以快速提升材料研發優化迭代的效率。這種"批量設計-并行實驗-系統尋優"的新范式，極大程度地縮短了材料的研發周期，提升了研發效率。

傳統“炒菜法”試錯模式與材料基因組高通量實驗研究模式的比較

例如，德國 波鴻魯爾大學（Ruhr-Universit?t Bochum）研究小組發展了一種連續掩膜板法，通過設計自動控制兩個掩膜板形成快門式協同組合，利用磁控濺射技術在一個4英寸的SiO?/Si晶圓作為基片一次性制備了24個三元形狀記憶合金薄膜材料高通量樣品庫，Ti、Ni和Ag三種元素分別在 相差120°的三個不同方向沉積，使得整個晶圓上有四列連續梯度的楔形排列，為很好地區分三角形組合材料芯片，在每個楔形梯度成分區域設置7 mm的間隙，楔形三角區域的尺度為15 mm。他們利用自動化能量色散X射線譜（EDX）測定了整個晶圓中三種元素成分的分布。這種一次制備多個材料芯片的方案在對一些材料不可逆破環性實驗研究方面具有特別重要的意義和獨特優勢。

組合掩膜板法制備形狀記憶合金三元材料芯片(a)及其EDX表征成分分布圖(b~d)

我國西北大學的研究小組利用綜合高通量納米壓痕實驗，基于納米壓痕技術進行了材料應變性能的高通量表征。他們采用直流磁控濺射技術，以直徑大約為58 cm的純Cu (99.99 at.%)和Zr (99.99 at.%)做靶材，采用旋轉掩膜板濺射技術，在Si(100)晶片上交替沉積了非晶Cu??Zr??/納米晶Cu納米層合材料，非晶層和納米層的厚度分別為100 nm和10 nm，總堆疊厚度為1200 nm，最上層為非晶CuZr帽層。然后，利用雙束聚焦離子束(FIB)制備了初始直徑為630 nm的4×6nm柱陣列材料庫，并在每個納米柱周圍挖出直徑為25 μm的圓形隕石坑，通過掃描電鏡觀察納米壓痕變形前后陣列納米柱的形貌，建立了CuZr/Cu非晶/晶體納米層合材料的結構-性能關系，解釋了納米層合材料應變-位移曲線中存在鋸齒化行為的物理機制。

非晶Cu??Zr??/納米晶Cu納米層合材料高通量4×6陣列樣品庫及微壓縮SEM測試觀察分布圖

以機器學習為主的人工智能方法作為一種新的數據統計分析技術，越來越多地融合于材料高通量實驗過程，為材料的快速篩選與優化提供了強有力的支持。材料高通量實驗中機器學習模型的構建為其核心環節，包括從數據準備、模型構建與評估、以及模型應用等階段。最終，通過優化模型的預測能力，將最佳的模型用于預測新材料的性能并篩選出可能具有優異性質的材料，指導未來的實驗方向，降低盲目實驗的成本。總之，將機器學習引入高通量實驗過程數據的分析，并與實驗過程相結合，為材料科學研究提供了一種高效的途徑。這種方法能夠在短時間內篩選出大量材料，快速定位到具有潛力的材料體系，從而顯著加速材料的發現和開發過程。在材料基因組研發過程中最重要的就是探索材料“組分-工藝-結構-性能”的構效關系。不同的材料配比和組分以及材料加工方法可能導致材料具有相同或不同的結構，而材料的相同性質也可以通過多種結構獲得。應用訓練好的預測模型對新材料進行性能預測，根據預測結果指導新材料的逆向設計。同時，根據材料的“組分-工藝-結構-性能”構效關系，制定新材料的設計規則，并設定篩選標準，通過進一步的實驗驗證和優化，指導實驗設計，降低實驗成本，提高研發效率。

材料高通量實驗中的機器學習模型構建過程

基于機器學習的高硬度合金設計示意圖

領域知識指導的鈣鈦礦材料性能預測方法

隨著人工智能、機器人技術和實驗室自動化技術的不斷發展和融合，數據驅動決策與自動化實驗技術相結合，將突破傳統實驗室技術的局限，加速科學研究和產品開發的周期，實現材料科學高通量實驗模式的使用優化和材料篩選。在材料研發領域，這一技術將高度融合材料基因組理念，帶來實驗室技術和研究模式的升級和進一步深化變革，這使得科學家們可以不再實時參與實驗過程，而是利用復雜的機器學習技術實時通過實驗過程積累足夠的數據量，進行實時訓練并對復雜的實驗過程進行統計、識別和判斷，建立相應的模型，進而實現對實驗后續過程進行數據驅動的決策性判斷和預測，并通過反饋進一步迭代學習，優化和提升實驗過程。這種智能化自主閉環工作流模式，形成了真正的模擬領域科學家進行科學實驗能力的基礎。本書結合近年來在人工智能技術推動下自主機器人實驗室技術的最新發展，結合材料科學的實際應用，對智能化自主實驗室AI-Lab做了一定篇幅的專門介紹。

人工智能自主實驗室閉環工作流模式的基本構架示意圖

《材料高通量制備與表征技術》作為科學出版社“材料基因工程叢書”中的一冊，對材料高通量制備與表征技術成果作了系統總結，為從事材料基因組研發領域的科學家、工程技術人員、在校研究生和本科生提供一部體系完整、針對性強的書面參考資料。

該書編著團隊都是我的同事，領銜的張金倉教授又是我大學同窗摯友。自2014 年上海大學材料基因組工程研究院創建來，這些同事們就一直在該領域奮戰，有豐富的材料高通量制備與表征技術及經驗。該書圍繞材料基因組高通量實驗中的材料制備和表征兩方面內容，編寫自成體系，內容富于特色。材料制備按照塊體、薄膜和粉體材料的高通量制備劃分成稿，材料表征按照組分、性能和結構等高通量表征從物理、化學和力學等劃分成稿，并根據近年來人工智能方法在材料高通量實驗技術中的應用前沿增加了第8 章的內容，包括利用機器學習方法對實驗數據的處理、大模型在材料研發中可能發揮的作用以及近年來人工智能實驗室的發展。

該書體系完整，特色鮮明，資料豐富，相信一定是國內外材料高通量制備與表征領域難得的一部好書，定能為在材料基因組高通量實驗技術研究領域的科學家和工程技術人員提供有益參考，也期待能成為未來有志于從事材料基因組領域工作的研究生和本科生的好教材。

張統一

中國科學院院士

香港工程科學院院士

上海大學教授

香港科技大學講座教授

2025年3月

材料高通量制備與表征技術

張金倉 等著

北京 : 科學出版社,2025. 9

(材料基因工程叢書)

ISBN 978-7-03-082307-6

責任編輯：張淑曉 孫靜惠

全書共8 章，第1 章為緒論，第2～4 章分別詳述材料高通量制備技術，第5～7 章為材料高通量表征技術，第8 章專題介紹了人工智能技術與高通量實驗的融合技術，包括機器學習在高通量實驗中的應用、生成式大模型在材料研發中的賦能作用、人工智能機器人自主材料科學實驗室技術進展等前沿方向。

本書適用于高等院校、科研院所、生產企業及政府管理部門材料科學與技術領域的科研、技術研發、管理與政策研究人員等閱讀和參考，也特別適合作為材料科學與工程等相關專業研究生和本科生教材。

（本文編輯： 劉四旦 ）

專業品質 學術價值

原創好讀 科學品位

一起閱讀科學