近年来，人工智能技术的发展极大加速了新材料设计的研发进程。以机器学习为代表的数据驱动范式，通过建立材料性能与描述符间的映射关系，实现了广域空间的性能预测与搜索优化。然而，传统机器学习模型本质仍属于学习数据而非理解规律。虽然此类方法在有限规模与简单场景下能通过样本拟合取得成效，但在面对高维复杂问题时，往往因缺乏解释推理导致泛化能力受限。因此，突破现有算法瓶颈，构建具备可解释、可迁移、可推理能力的材料大模型，发展以知识驱动为核心材料研究范式，对加速我国材料领域的自主研发能力具有重要战略意义。

针对传统机器学习模型泛化能力受限、知识迁移困难等问题，北京科技大学宿彦京教授团队提出了大语言模型驱动的新材料定量设计新方法，突破了“一问题、一数据、一模型”的传统研发模式中跨体系预测能力的局限性，实现了跨体系钢铁材料开发与工程应用。基于约9.6亿词的大规模材料语料库，构建钢铁领域专用大语言模型SteelBERT，与国外同类模型相比，在性能预测任务上的精度提升约30%，填补了钢铁领域大语言模型的空白。同时，发展出“海量文献预训练+小样本数据微调”的材料智能设计方法，模型性能预测精度达90%，较传统机器学习模型提升25%。设计出深井用高强韧15Cr奥氏体不锈钢油井管材料，具有优异的强韧性（屈服强度960 MPa、抗拉强度1138 MPa、延伸率32.5%）。同时，该材料已通过CNAS标准B溶液和D溶液检测，将不锈钢抗硫化氢开裂性能提升了约10倍（10kPa-100kPa）。相关工作在材料领域国际权威期刊《Acta Material》上发表，授权国家发明专利2项，相关成果获2025年中国材料研究学会科学技术奖一等奖。研发的不锈钢材料已成功应用于油井管，并已通过工业化生产于新疆实现下井试用。

图  大语言模型驱动的高强韧高耐蚀不锈钢设计