研究背景
稀土磁体（钕铁硼）是电机、风电、EV 驱动的战略材料，但稀土供应链的地缘风险推动全球寻找替代品。这篇 Nature Communications 论文展示了新范式：让 AI 系统阅读数十年的科学文献，从中提取候选磁体材料的配方与工艺知识——AI 发现了稀土磁体的替代方案。
方法与核心内容
方法：文献挖掘系统从数万篇材料学论文中提取「成分-工艺-磁性能」三元组，构建知识图谱；再用机器学习模型在图谱上搜索不含稀土的高性能磁体候选。与 GNoME 的区别：GNoME 从「第一性原理计算」出发，这条路线从「人类已发表的知识」出发——挖掘的是被遗忘或分散的知识组合。
结果与意义
系统提出了多个不含稀土的候选磁体成分，部分经实验验证具有可观的硬磁性能。方法论的贡献大于单点发现：它证明了「科学文献本身是一个未充分利用的材料数据库」——AI 文献挖掘是材料发现的第三条路（实验试错、第一性原理计算之外）。
我们的观点
这条工作与本方向 GNoME 精读（物理方向）连读构成材料发现的完整图景：计算驱动（GNoME）与文献驱动（本文）互补。对中国读者的特殊意义：稀土是中国少数拥有绝对供应链优势的领域——「无稀土磁体」的研究恰恰是各国摆脱中国供应链依赖的努力方向，国产替代研发应关注这条线的进展以保持领先。
局限：文献挖掘的知识截止于已发表内容（真正的突破无法从旧文献组合中产生）；提取质量受论文写作质量影响。作为方向性工作，它的范式价值高于单点结果。