用AI生成数据回训AI会怎样？Nature称模型坍塌，这支团队拿出破解之法

生成式AI正在编织"梦境"——梦见数百万种全新材料。

然而，越来越多的质疑声此起彼伏：这些AI"创造"的材料，许多其实早已存在，甚至就潜藏于模型的训练数据之中。2025年Nature的一篇报道标题直击要害："AI在梦中缔造数百万种新材料，它们真的可靠吗？"

这一困境的根源在于材料数据的匮乏与偏差。以二维材料为例，已知的稳定化合物数量极为有限，且大多集中于二元和三元体系。生成模型在这样"营养失衡"的数据上训练，其结果只能是反复产出已知结构的变体，而非真正的突破。

东南大学团队在National Science Review上发表的这项研究，给出了一个精巧的破解方案：DuALGen——一种双主动学习驱动的生成框架。它不依赖一次性产出，而是借助两个协同的主动学习循环，使模型在"生成-验证-学习-再生成"的闭环中持续迭代进化，最终发掘出超过10000种稳定的新型二维材料，其中数千种展现出优异的功能特性。

为什么AI生成材料会"失灵"？问题出在三个维度：

其一，训练数据本身存在偏差。已知的二维材料聚焦于少数元素组合与结构类型（例如过渡金属硫化物TMDs）。模型习得的并非"化学的通用规律"，而是"数据中的统计倾向"。

其二，生成-再训练会陷入恶性循环。若把AI生成的"看似合理"的材料重新喂给模型，将产生什么后果？2024年Nature上的一项研究揭示了"模型坍塌"现象：当AI模型反复在自身产出数据上训练时，性能将逐步退化，多样性萎缩，错误累积。

其三，预测器本身亦存有偏见。常见的做法是用AI能量预测器评估生成材料的稳定性——但预测器同样是在已知材料上训练的，面对真正"前所未见"的材料时，预测误差将急剧放大。这便构成了一个悖论：你期望发现真正新颖的材料，但用于评估新材料的工具偏偏不擅长评估真正新颖的材料。

DuALGen的设计，正是针对这三大痛点逐一拆解。

DuALGen构建于晶体扩散变分自编码器（CDVAE）之上，包含两个协同运作的主动学习循环：

此循环的目标是：驱动生成模型探索更广阔的化学空间，而非在已知筛选出的热力学可能稳定候选区域的边缘反复徘徊。

它采用三重采样策略，从生成的一批候选材料中遴选出"值得用DFT验证"的那一小部分：

稳定性采样：借由形成焓预测器估算相对形成能ΔErel，筛除热力学上可能稳定的候选

新颖性采样：借助结构匹配器（StructureMatcher）量化结构差异，而非仅判断"是否完全相同"——能够识别出那些"虽有别但高度近似"的新变体

多样性采样：最大化生成材料与已知材料间的Wasserstein距离，保证被选中的材料分布于化学空间的不同方位，避免"蜷缩于同一角落"

被选中的候选材料经DFT验证后，纳入训练集重新训练生成模型——这正是"主动学习"的核心：每一次迭代，模型都在"变得更聪明"，因为其训练数据在不断被更高质量、更多元的新材料充实。

随着生成模型探索愈发宽广的化学空间，一个难题浮现：新生成的材料与已知材料的分布差异日益拉大（分布漂移，data drift），致使稳定性预测器愈发失准——它从未见过这种"栖身于化学空间边缘"的材料，自然无法准确判断。

DuALGen的第二个循环专门应对这一难题。它从生成的候选材料中筛选三类"高价值样本"加入预测器的训练集：

分布外样本（OOD）：计算每个生成材料周围的已知材料密度，密度越低，表明其距已知区域越远——越需被标记

稀有样本：计算生成材料之间的内部密度，密度越低，说明其在生成批次中亦属罕见——可增强多样性

高不确定性样本：借助XGBoost集成模型计算预测不确定性，高不确定性意味着模型"心中无数"——标记这些样本能最快地提升预测器表现

仅需10%的样本被标记，预测器在新材料上的准确率即可回升至0.8以上。相较于纯不确定性采样，密度感知采样效率更高，尤其在小样本规模下优势明显。

在标准的生成模型中，新材料的结构原型数量在首次迭代后便急剧衰减——生成10000个结构，仅能发掘5个新原型。而DuALGen每次迭代均能稳定发现约20个新原型。20次迭代后，累计发现326个新结构原型，是基线方法的3倍。

更为关键的是，DuALGen在20次迭代中每轮均能维持约30%的新颖率，而非AL方法的模型到第5轮时新颖率便已衰减至约1%。

从产出速度来看：DuALGen实现了每月约1000种新型二维材料的发现速度，是传统方法的30倍提速。

20次迭代后，DuALGen生成的候选材料中，41.42%具有负的相对形成能（比C2DB中已知最稳定材料更稳定），而基线生成模型仅为18.67%。

耐人寻味的是，DuALGen在早期迭代中稳定材料的比例反而略有下滑——这是因为随着模型着手探索四元、五元等"高阶"组成空间，稳定性预测器遭遇严重的分布漂移，评估失准。但随着迭代推进，主动学习不断校正预测器，稳定率稳步回升。

这一现象本身即是一项重要发现：它佐证了"双循环"设计的必要性——若仅有单一生成循环，预测器将持续给出错误引导，致使模型"偏离航向"。

DuALGen在Cu-I-Te三元体系上的表现尤为亮眼。C2DB中已知的二维材料在该体系中主要为二元化合物（分布于相图边缘），仅记录有两种三元化合物。

DuALGen在第3次迭代便发现了4种新的三元构型，其中一种的ΔErel为-0.18 eV/atom，已超越所有已知三元化合物的稳定性。继续迭代后，又发现ΔErel低至-0.32 eV/atom的更稳定材料。

仅凭少量有针对性的DFT计算，DuALGen便系统性地重绘了该体系的"稳定相图"。

团队将DuALGen发现的所有经DFT验证的稳定二维材料汇编为Gen2DB数据库（Generated 2D Materials Database），涵盖：

超过10000种热力学稳定的二维材料（不含放射性元素，满足电荷中性）

数千种高性能功能材料：宽带隙半导体、高迁移率材料、本征磁性材料

三个代表性案例：

p-3m1 ScOF：超宽带隙4.67 eV，七配位Sc中心——打破了Sc化合物中常见的六配位模式，或将带来新颖的电子特性

pcm Pt₂OC₂：超高空穴迁移率（1.279×10⁴ cm² V⁻¹ s⁻¹）+ 直接带隙0.7 eV——p型半导体的理想候选

p-3m1 Cr₂O₃：反铁磁有序（区别于常见的CrI₃、Cr₂Ge₂Te₆等铁磁材料），由接近180°的Cr-O-Cr键增强超交换相互作用实现

这些材料的合成路径均有实验线索支撑——例如ZrNCl（ScOF的结构类似物）已被合成，Cr₂O₃的二维形式亦已成功制备。

众多团队的做法是"生成一批 → 筛选 → 加入数据集 → 重新训练"。DuALGen印证了：不加甄别的"自噬式"训练将引发模型坍塌（novelty快速衰减）。关键在于采样策略——仅选择那些既稳定又新颖又多样的样本回馈给模型，而非全盘接纳生成结果。

第二个循环揭示了一个深层问题：生成模型探索越广，预测器越易失准。若不主动校准预测器，生成循环将逐步失效。这告诫我们：在材料发现中，"如何评估新材料"与"如何生成新材料"同等重要。

分布漂移恰恰是模型真正在"创新"的标志——若生成的材料总与已知材料分布高度重叠，则说明模型并未真正走出舒适区。关键在于设计好"导航系统"——使模型走出去的同时，评估工具也能紧随其后。

对于从事二维材料计算或实验的研究人员：

Gen2DB提供了一个可直接调用的"候选库"——超过10000种结构，附带CIF文件与形成能数据

DuALGen的框架设计（双循环+密度感知采样）可推广至其他材料体系乃至其他领域的生成式发现任务

DuALGen的成功昭示：AI材料发现的瓶颈并非生成模型的精度，而在于数据循环的设计。

一个优秀的生成模型是"发动机"，但一辆能持续探索未知地形的越野车，还需配备导航系统（采样策略）与避障系统（预测器校准）。

DuALGen证明了"发动机"与两套辅助系统协同工作时的潜力——326种新结构原型、41%稳定率、30倍加速、10000+种新材料——这些数字背后蕴含着一个更为重要的结论：主动学习驱动的生成模型，能够突破"数据稀缺"的诅咒，实现真正意义上的持续发现。

对于正在探索AI材料发现的团队，DuALGen的设计范式值得认真借鉴——尤其是"密度感知采样"这一小巧而关键的创新，或为提升效率性价比最高的切入点。

论文信息：Xinyu Chen et al., "Continuous discovery of novel 2D materials via dual active learning-driven generative models,"National Science Review, 2026, nwag101.

代码与数据库：https://github.com/XinYu-Chen98/DuALGen-Exploring-novel-2D-materials-with-generative-model-and-active-learning