碳纳米管是典型的一维纳米碳材料，具有优异的力学、电学和热学性能，在电子器件、能源存储、复合材料、传感器和催化等领域具有重要应用潜力。然而，碳纳米管的可控合成和结构调控仍然具有挑战。其生长过程同时受到温度、压力、气体组成、催化剂状态、前躯体分解和碳扩散等因素影响，微小参数变化就可能改变其直径、密度、排列、缺陷和结晶质量，进而影响性能。与此同时，碳纳米管研究产生了大量显微图像、光谱和性能数据，但这些数据长期依赖人工分析，难以形成统一、可复用的结构描述符。人工智能（AI）为解决这些问题提供了新的工具：它既可以帮助研究人员在复杂实验参数空间中快速寻找有效生长窗口，也可以从图像、光谱和文献中提取结构化信息，从而推动碳纳米管研究由经验试错逐步走向数据驱动设计。
◇提出以“合成-表征-应用”为主线的AI辅助碳纳米管研究框架。围绕碳纳米管研究的完整材料生命周期，系统讨论AI如何连接生长优化、结构表征和应用性能预测，强调数据驱动方法应服务于真实材料问题。
◇ 总结适合碳纳米管体系的核心AI工具箱。重点分析监督学习、贝叶斯优化、主动学习、深度学习、大语言模型和迁移学习等方法，并讨论了它们分别适用于性能预测、实验选择、图像/光谱分析、文献数据提取以及小样本建模等场景。
◇ 突出AI在碳纳米管合成优化中的实际作用。总结了机器学习辅助CVD生长优化、虚拟实验筛选、自动化实验平台和闭环优化系统等代表性工作，展示了AI如何降低试错成本并提高实验效率。
◇ 强调AI辅助表征是建立可靠模型的关键基础。机器学习模型的可靠性不仅取决于算法，也取决于结构标签和表征数据是否准确。深度学习和计算机视觉可用于自动提取碳纳米管直径、排列、缺陷和光谱特征，从而提升数据标准化程度。
◇ 理性讨论了大语言模型和文献挖掘在碳纳米管研究中的机会与边界。大语言模型目前最可信的作用并不是“自主做科研”，而是辅助文献整理、知识抽取、催化剂假设生成、数据集构建和实验规划。未来仍需要更高质量的碳纳米管语料库、标注体系和提取精度评估。
碳纳米管研究可以看作一个由“生长-表征-应用”构成的闭环过程（图1）。首先，通过CVD等方法制备碳纳米管；随后利用SEM、Raman、XPS等技术获得结构和成分信息；最后根据电子器件、能源材料或复合材料等应用需求，对材料性能进行评估和优化。人工智能位于这一闭环的中心，可以在不同环节中发挥作用：在合成阶段，它帮助筛选温度、气体组成、催化剂和反应时间等参数；在表征阶段，它从显微图像和光谱数据中提取结构描述符；在应用阶段，它建立结构与性能之间的预测模型，并将结果反馈到下一轮实验设计中。
图2展示了本文总结的AI方法体系。不同AI工具在碳纳米管研究中承担不同角色。监督学习主要用于建立合成参数、结构特征和材料性能之间的预测关系；贝叶斯优化和主动学习用于在实验成本较高的情况下选择最有价值的实验对象；深度学习适合处理显微图像和光谱等高维数据；大语言模型可用于从文献、表格和公开数据中提取信息；迁移学习则有助于缓解碳纳米管实验数据规模较小的问题。
这部分的关键认识是：碳纳米管研究并不需要盲目追求最复杂的AI模型，而应根据具体问题选择合适工具。例如，在样本数较少、变量较多的CVD生长研究中，随机森林、XGBoost、支持向量回归和高斯过程回归等方法往往比深度神经网络更稳健；而在显微图像和光谱分析中，卷积神经网络等深度学习方法更能发挥优势。
碳纳米管合成中的一个典型难题是：如何同时获得高产率和高质量。以单壁碳纳米管森林生长为例，晶体质量和生长效率之间通常存在权衡。文献中有研究基于585组CVD实验训练 XGBoost回归模型，并利用模型筛选超过16000组虚拟实验条件，从而识别出有利于兼顾高度和结晶质量的生长窗口。实验验证表明，该策略可将生长效率提高约48%。
图5展示了虚拟实验数据、实验可达边界、相关性热图和真实实验验证之间的关系。它说明 AI的价值不只是给出一个预测数值，更重要的是帮助研究人员理解复杂参数空间中的“可行区域”和“性能边界”。对于碳纳米管这类实验成本较高、参数耦合复杂的体系，这种方法能够显著提高实验设计效率。
近年来，AI辅助碳纳米管研究正从单纯的数据分析走向更高程度的自动化实验。文章重点介绍了Carbon Copilot（CARCO）平台。该平台将碳材料领域知识库、大语言模型、机器人CVD、自动表征和机器学习预测模块结合起来，用于水平排列碳纳米管阵列的合成优化。
在该平台中，Carbon_GPT用于提供碳材料相关的科学建议，Carbon_BERT用于从文献中筛选催化剂等信息。通过与机器人CVD平台结合，系统能够每天完成30余组可靠实验，并在约一个月内建立超过500组标准化实验数据；进一步结合数字孪生模型，可在20 min内模拟数百万组虚拟实验数据。最终，该平台在43天内实现了对预设密度水平排列碳纳米管阵列的56.25%精准合成。
这一案例说明，大语言模型在材料研究中的价值不应被简单理解为“自动写结论”，而应更多体现在知识提取、实验假设生成、实验规划和闭环优化中。当语言模型、自动化设备和机器学习模型真正连接起来时，碳纳米管合成有望从“人工经验驱动”逐步走向“数据反馈驱动”。
最后，提出了AI辅助碳纳米管研究的发展路线。短期来看，AI的主要作用是帮助优化生长参数、提升表征效率和整理实验数据；中期来看，贝叶斯优化、主动学习和实验自动化将推动部分闭环实验平台的形成；长期来看，碳纳米管研究需要建立更统一的数据标准、更可靠的跨实验室模型和面向碳纳米管体系的基础模型。
未来AI在碳纳米管研究中的影响力，不会来自某一个单独算法，而会来自数据标准化、自动化表征、机器学习建模和闭环实验平台的系统整合。只有当实验数据、材料结构和应用性能能够被连续、准确地连接起来，AI才能真正成为碳纳米管可控合成和应用开发的有效工具。
系统总结了人工智能工具在碳纳米管研究中的应用现状和未来机遇。文章认为，AI对碳纳米管研究的近期价值主要体现在三个方面：一是提高合成实验效率，帮助研究人员在复杂参数空间中更快找到有效生长窗口；二是提升结构表征的自动化和标准化水平，将显微图像、光谱和其他测试结果转化为可用于建模的结构描述符；三是建立面向应用性能的结构-性能预测模型，支持复合材料、透明导电薄膜和电子器件等体系的多目标优化。同时，AI辅助碳纳米管研究仍面临数据规模小、来源分散、记录格式不统一和跨实验室可迁移性不足等挑战。未来发展不仅需要更先进的模型，也需要高质量数据库、统一描述符、标准化实验记录和可重复的表征流程。总体而言，AI不会替代材料科学家的实验判断，但将成为碳纳米管研究从经验试错走向理性设计的重要工具。
Yanlong Zhao, Fei Wang, Qixuan Cai, et al. Artificial Intelligence Tools for Carbon Nanotube Research: Opportunities From Synthesis to Applications [J]. Carbon and Hydrogen, doi.org/10.1002/cbh2.70068
https://onlinelibrary.wiley.com/doi/10.1002/cbh2.70068
张如范，清华大学化工系长聘副教授、特别研究员、博士生导师、国家高层次青年人才计划入选者、中国颗粒学会青年理事、中国化学会奖励推荐委员会委员、中国材料研究学会高级会员、中国微米纳米技术学会青年工作委员会委员、中国化工学会专业会员，Smart Materials and Devices客座主编，Coating、Processes编委，SusMat、Carbon Future、Carbon Energy、Carbon Neutralization、Carbon and Hydrogen、Particuology、Clean Energy及Exploration青年编委。主要从事纳米碳材料以及光热调控纳米材料的可控制备与性能表征及应用等方面的研究，在Science、Nature Nanotechnology、Nature Sustainability、Science Advances、Nature Communications、Chemical Society Reviews、J. Am. Chem. Soc.、Angew. Chem. Int. Ed.、Advanced Materials、Nano Letters、ACS Nano等国际知名期刊发表论文153篇（一作/通讯105篇）。主持军委科技委重点项目、军委科技委基础加强项目、国家自然科学基金委面上项目、中石化重点项目、石化联合会项目、中石油科技创新基金、鄂尔多斯实验室项目等项目十余项。申请发明专利27件（授权16件）；撰写学术专著7部。曾获第五届青山科技奖（2026）、中国颗粒学会自然科学一等奖（2024，排名第一）、中国石油和化学工业联合会科技进步二等奖（2025，排名第一）、中国石油和化学工业联合会“青年创新奖”（2024）、中国石油和化学工业联合会首届“彤程青年研发基金”（2023）、中国纺织工业联合会自然科学二等奖（2024，排名第二）、中国化工学会“侯德榜化工科学技术青年奖”（2019）、中国化学会青年化学奖（2018）、《麻省理工科技评论》中国区 “35岁以下科技创新35人”（2018)、中国新锐科技人物（2018）、中国材料研究学会“全国超材料优秀青年学者”（2024）、全球华人化工学会“未来化工学者”（2024）、美国工程化科学协会“杰出创新奖”（2025）、2019国际化学元素周期表年《中国青年化学家元素周期表》入选者（2019）、教育部自然科学一等奖（2016）、清华之友-刘述礼育才奖（2021）、瑞士乔诺法（Chorafas）青年研究奖（2015）等奖励。
课题组网站链接：
http://www.rufanzhang-group.cn
Carbon and Hydrogen由中石化石油化工科学研究院有限公司主办、Wiley公司出版，中国科学院化学研究所韩布兴研究员担任主编。办刊宗旨为报道碳氢相关能源化工领域科学与技术研究成果，促进学术交流，推动成果转化，服务低碳能源发展。本刊由原《中国炼油与石油化工（英文）》全面升级，已被SCI、Scopus、CA、CSCD等数据库收录，并入选“LetPub卓越期刊助力计划”。
本期刊完全开放获取（Open Access），近两年发表文章不收取文章处理费（APC）。Carbon and Hydrogen现全球征稿中，欢迎催化、能源化工、材料等领域的学者积极投稿、引用、阅读，我们一起用科研推动世界向绿而生！
《石油炼制与化工》，由中石化石油化工科学研究院有限公司主办，1957年创刊，月刊，中文核心期刊，被CSCD、Scopus等收录，主要报道炼油、石油化工领域科技新成果及其应用研究与工程技术开发的新成果，交流企业技术创新和提高经济效益、社会效益的新经验，介绍国外新技术的发展动态。
邮箱：ch2025.ripp@sinopec.com
电话：010-82368292（刘鸿洲）
010-82368474（金也）
010-82368271（苏笑）
18911030520（韩伟）
地址：北京市海淀区学院路18号，100083
版权声明：本文为Carbon and Hydrogen编辑部原创内容，欢迎转载，转载请注明公众号来源及期刊信息，谢谢合作。
供稿：清华大学张如范团队
编辑：苏笑 金也 刘鸿洲
审核：韩伟
