一种新型人工智能模型正加速缺陷驱动的材料设计进程。该模型能快速将边界条件映射为分子排列与缺陷位置，将原本需要数小时的模拟缩短至毫秒级，极大提升了先进光学材料的探索与逆向设计效率。 在自然界和各类材料中，对称性破缺常导致稳定缺陷的形成，这类拓扑缺陷广泛存在于从宇宙大尺度结构到日常材料中，是研究有序系统如何演化的重要窗口。研究人员以向列相液晶为研究对象，因其分子可自由旋转但整体保持方向一致，为观察缺陷的形成、运动与重组提供了清晰可控的平台。传统上，这些缺陷行为由朗道-德热讷理论描述，但其数值模拟耗时较长。 韩国忠南国立大学Jun-Hee Na教授领衔的研究团队开发出一种基于深度学习的新方法，发表于《Small》期刊。该方法采用3D U-Net神经网络架构，能够同时捕捉全局分子取向与局部缺陷结构。模型通过输入边界条件，直接预测出完整的分子取向场及缺陷的位置与形态。 研究人员利用大量传统模拟生成的数据对模型进行训练，使其在面对全新构型时仍能精准预测，结果与模拟和实验高度吻合。该模型不依赖显式物理方程，而是从数据中学习内在物理规律，因而能处理复杂现象，如高阶拓扑缺陷的合并、分裂与重组。 这一突破使科研人员可快速探索广阔的材料设计空间，为定制具有特定缺陷结构的智能材料提供了可能。未来有望应用于全息显示、VR/AR设备、自适应光学系统以及能响应环境变化的智能窗等前沿领域。研究人员表示，AI驱动的设计将显著缩短材料研发周期，推动智能材料的快速落地。