机器学习用于生物材料设计时，首先需要回答的并不是”使用什么模型”，而是”模型究竟应该预测什么”… 机器学习驱动的理性生物材料设计可以理解为代理预测、生成式逆向设计、主动学习、可解释模型以及多尺度整合的统一 … 如果再把可解释人工智能、物理约束、可持续性指标和监管要求从设计之初就纳入系统，未来生物材料开发有望形成从设计 — 构建 — 测试 — 学习 — 再设计的自主闭环，将过去以月或年计算的开发周期压缩到小时或天，并进一步迈向面向患者需求的个性化、高性能生物材料。
机器学习用于生物材料设计时，首先需要回答的并不是”使用什么模型”，而是”模型究竟应该预测什么”… 机器学习驱动的理性生物材料设计可以理解为代理预测、生成式逆向设计、主动学习、可解释模型以及多尺度整合的统一 … 如果再把可解释人工智能、物理约束、可持续性指标和监管要求从设计之初就纳入系统，未来生物材料开发有望形成从设计 — 构建 — 测试 — 学习 — 再设计的自主闭环，将过去以月或年计算的开发周期压缩到小时或天，并进一步迈向面向患者需求的个性化、高性能生物材料。