依托“2030新一代人工智能”国家科技重大专项总体部署，上海人工智能实验室联合苏州国家实验室、清华大学等单位，成功实现了厘米级尺寸、厚度超过200微米的高质量单晶石墨可控制备。

人工智能辅助材料研发的核心前提，是高质量数据的支撑。为突破传统小规模数据集的局限，联合团队构建了面向机器学习原子势训练的亿级计算材料数据库。

该数据库在数据完整性、精准度与覆盖范围上均显著优于以往，为后续高精度AI模型的研发奠定了坚实底层基础。

数据库重点涵盖镍-碳体系所需的机器学习势训练数据，包括不同尺寸的镍团簇、体相、表面结构，以及上述镍结构与碳原子、碳链、碳环、石墨烯、石墨等多种碳构型在不同温度下形成的复合构型。

这一兼具广度与可靠性的数据体系，为高精度机器学习势的训练和材料表界面AI模型的研发提供了有力支撑。

基于上述数据库，联合团队采用苏州国家实验室开发的高精度、高效率NEP机器学习势方法，结合上海人工智能实验室自主研发的主动学习工作流、不确定度分析算法及计算材料智能体框架，成功构建了机器学习势函数模型，突破了传统第一性原理计算在时间与空间尺度上的局限。

该模型可完成超过十万原子规模体系、百万原子步的复杂界面动力学模拟，能够捕捉如孪晶晶界加速碳迁移等关键微观机制，为理解高质量单晶石墨的宏观生长现象提供了原子尺度的计算桥梁。

在高精度机器学习势模型的辅助下，联合团队开展了大规模、长时间的原子级动力学模拟。

模拟不仅揭示了碳原子在镍晶格内偏析、扩散、成核直至生长的完整迁移过程，还成功复现了其在镍单晶及含孪晶晶界界面处溶解、偏析、成核与外延生长的演化全过程，从而厘清了单晶石墨的生长机制。

此外，团队通过定量模拟实验，明确了反应温度、碳溶解度、原子扩散速率、孪晶晶界结构等核心参数对单晶石墨生长质量的调控规律，为材料制备工艺的优化升级提供了可量化、可预测、可落地的理论支撑与计算依据。

基于上述科学发现，联合团队搭建了单晶石墨生长系统，最终成功制备出厘米级尺寸、厚度超过200微米的高质量单晶石墨——该厚度是目前世界已报道水平的3倍以上。

这一突破也探索出一条从“试错摸索”向“机制驱动”转型的智能化科研路径，验证了AI作为驱动科学发现“革命性工具”的重要价值。