研究背景
固态反应路径（材料如何在加热与合成过程中从初始物演化到产物）是材料合成的黑箱：传统方法只能观测起点与终点。Berkeley Lab 开发了首个数据驱动的机器学习模型，能揭示固态反应的中间路径细节——直接加速先进材料的开发。
方法与核心内容
模型学习固态反应的动力学序列（中间相出现与转变的时序），输入为原位实验观测数据。与 GNoME（预测什么材料稳定）互补：这个模型回答的是怎么把它合成出来——材料基因组工程的另一半。
结果与意义
Berkeley Lab 称其为同类首创的数据驱动固态反应路径模型；对电池材料、催化剂、功能陶瓷的合成优化具有直接指导意义。2026 年 8 月的发布进一步巩固了伯克利实验室在 AI for Materials 的领先位置。
我们的观点
这篇工作与本方向 GNoME 精读连读非常有价值：GNoME 解决发现什么，这个模型解决怎么造出来——AI for Materials 的完整闭环正在合拢。对国内读者的提示：合成路径预测是国内材料 AI 布局中相对薄弱的一环，值得补位。
局限：模型依赖原位表征数据的质量与覆盖度（这类数据昂贵且稀缺）；对全新反应类型的泛化能力有待验证。作为 2026 年报道的新方法，其社区复现与独立验证情况需持续关注。