人工智能与材料科学的交叉曾带来发现数百万种新稳定晶体的乐观预期，但数字预测与实验室合成之间存在“合成鸿沟”：AI 可在毫秒内生成晶体结构，而实际合成可能耗时数月甚至无法实现。传统材料发现依赖试错，化学空间巨大，AI 通过将密度泛函理论（DFT）计算转化为模式识别问题来加速预测，并用描述符或图神经网络将原子结构编码为特征向量，进而预测形成能等性质，借助凸包判断热力学稳定性。然而，多数训练数据来自零温 DFT 计算，忽略了高温下熵的效应；即使材料热力学稳定，也未必能跨越反应路径中的活化能壁垒。AI 常只优化目标性能，忽视可合成性，导致生成“Unobtainium”式材料：理论性能极高，却因动力学陷阱形成副产物而无法获得。要弥合这一鸿沟，需从单目标性能优化转向多目标优化，同时惩罚复杂性和不稳定性；还应认识到材料组成类似“基因型”，实际性能取决于合成环境这一“表型”，因此需将球磨、烧结、表征等过程数据持续接入 AI，甚至构建自驱动实验室，让机器人闭环执行预测、合成与表征，使 AI 从理论物理学家转变为能识别稳健工艺窗口的过程工程师，从而真正实现可合成、可重复的新材料发现。
分类：学科分类
液相传质包括电迁移、对流和扩散三种方式，总流量为 $J_{total}=J_{migration}+J_{diffusion}+J_{convection}$，其中电迁移由电场驱动，加入支持电解质可将其屏蔽；对流由机械力或密度差驱动，稳态技术中可通过旋转圆盘电极精确控制，暂态技术中则需避免对流；扩散由浓度梯度驱动，是物质抵达电极表面的必经步骤。菲克第一定律给出稳态扩散流量 $J=-D\frac{dC}{dx}$，能斯特扩散层模型假设电极表面存在厚度为 $\delta$ 的静止液层，层内仅发生扩散，由此得到极限扩散电流
$$ i_d=nFAD\frac{C^0}{\delta} $$
搅拌或旋转会压缩 $\delta$，使梯度变陡、电流增大，这正是旋转圆盘电极 Levich 方程的物理本质。浓差极化源于传质速度与表面浓度之间的博弈，表面浓度与电流满足
$$ \frac{C_O^s}{C^0}=1-\frac{i}{i_d} $$
代入能斯特方程后得到浓差极化公式
$$ E=E^{0'}+\frac{RT}{nF}\ln C^0+\frac{RT}{nF}\ln\left(1-\frac{i}{i_d}\right) $$
当 $i$ 趋近 $i_d$ 时电位急剧负移，形成极化曲线平台。暂态扩散由菲克第二定律描述
$$ \frac{\partial C(x,t)}{\partial t}=D\frac{\partial^2 C(x,t)}{\partial x^2} $$
恒电位阶跃下电流按 Cottrell 规律衰减
$$ i(t)=\frac{nFAD^{1/2}C^0}{\sqrt{\pi}t^{1/2}} $$
对应有效扩散层厚度 $\delta(t)=\sqrt{\pi Dt}$，时间越短扩散层越薄、电流越大。球形扩散则给出
$$ i(t)=nFADC^0\left[\frac{1}{\sqrt{\pi Dt}}+\frac{1}{r_0}\right] $$
短时间暂态项主导，长时间趋于稳态电流
$$ i_{steady}=\frac{nFADC^0}{r_0} $$
因此平面电极在静止溶液中难以达到稳态，而微球电极因三维径向扩散可从四面八方补给物质，从而在无需搅拌时实现稳态测量。
电极过程动力学研究电极过程的速率及其影响因素，逻辑起点是电极的平衡态：氧化与还原速度相等、净反应速度为零、外电流为零、电位为平衡电位 $\phi_{eq}$。当有电流通过时电极发生极化，阴极极化使电位向更负方向移动，阳极极化使电位向更正方向移动，过电位定义为
$$ \eta_c=\phi_{eq,c}-\phi_c,\qquad \eta_a=\phi_a-\phi_{eq,a} $$
极化实质是电子运动速度远大于电极反应速度，导致界面电荷积累；极化作用使电位偏离平衡，去极化作用则使其恢复。极化曲线是动力学研究的基础工具，稳态下净电流密度代表电极反应净速度，$j=nFv$，极化度 $P=\mathrm d\phi/\mathrm dj$ 具有电阻量纲，斜率越大过程越困难。电极过程由液相传质、前置转化、电子转移、随后转化和新相生成等串联步骤组成，其中速度最慢、活化能最高的步骤为速度控制步骤（RDS），非控制步骤处于准平衡态，其正逆向速度近似相等，可用热力学方法处理。按 RDS 分类，极化可分为浓差极化、电化学极化和表面转化极化。电池超电压为两电极过电位之和 $V_{\text{超}}=\eta_a+\eta_c$；原电池端电压为
$$ V=E-(\eta_c+\eta_a)-IR=E-V_{\text{超}}-IR $$
电解池端电压为
$$ V=E+(\eta_c+\eta_a)+IR=E+V_{\text{超}}+IR $$
即极化与欧姆降使原电池端电压减小、电解池端电压增大。电极过程作为特殊异相催化反应，其最重要特征是界面电场可人为连续调控，从而连续控制反应速率。
理想极化电极（IPE）是研究电极/溶液界面的理论前提，定义为在研究电位范围内不发生任何电极反应，$R_f\to\infty$，等效电路为纯电容 $C$，界面状态由界面张力 $\sigma$、表面剩余电荷密度 $q$ 和微分电容 $C_d$ 随电极电位 $\phi$ 的变化描述。由 Gibbs 等温吸附方程出发，结合电子吸附量 $\Gamma_e=-q/F$ 与 $\mathrm d\mu_e=-F\mathrm d\phi$，可得 Lippmann 公式
$$ \left(\frac{\partial\sigma}{\partial\phi}\right)_{T,p,\mu_i}=-q $$
当 $\sigma$ 最大时 $\partial\sigma/\partial\phi=0$，此时 $q=0$，对应零电荷电位 $\phi_0$。微分电容定义为
$$ C_d=\left(\frac{\partial q}{\partial\phi}\right)_{T,p,\mu_i}=-\left(\frac{\partial^2\sigma}{\partial\phi^2}\right)_{T,p,\mu_i} $$
积分电容为
$$ C_i=\frac{q}{\phi-\phi_0}=\frac{1}{\phi-\phi_0}\int_{\phi_0}^{\phi}C_d\,\mathrm d\phi $$
因微分法比积分法更灵敏，故微分电容法测 $C_d$ 进而求 $q$ 比电毛细曲线法更精确。双电层模型方面，Helmholtz 模型将界面视为平板电容器，$C_{\mathrm H}=\epsilon_0\epsilon_r/l$，预测电容恒定，无法解释 $C_d$ 随 $\phi$ 变化及稀溶液最小值；Gouy-Chapman 模型考虑离子热运动，在 $|z\psi_1F|\ll RT$ 时导出
$$ q\approx\sqrt{\frac{2c\epsilon_0\epsilon_r}{RT}}zF\psi_1,\qquad C_{\text{分}}=\sqrt{\frac{2c\epsilon_0\epsilon_r}{RT}}zF $$
德拜长度为
$$ l=\frac{RT}{zF}\sqrt{\frac{\epsilon_0\epsilon_r}{2c}} $$
于是 $l\propto1/\sqrt c$、$C_{\text{分}}\propto\sqrt c$，可解释 $C_d$ 随浓度增大及稀溶液最小值，但忽略紧密层，无法解释浓溶液平台；Stern 模型将紧密层与分散层串联，
$$ \frac1{C_d}=\frac1{C_{\text{紧}}}+\frac1{C_{\text{分}}} $$
稀溶液中 $C_d\approx C_{\text{分}}$，浓溶液中 $C_d\approx C_{\text{紧}}$，从而解释平台区。特性吸附方面，阴离子使 $\phi_0$ 负移并在更正电位处升高 $C_d$，形成内紧密层 IHP，阴离子脱去水化膜直接吸附使厚度减小；少数阳离子使 $\phi_0$ 正移并升高 $C_d$；有机分子使 $\phi_0$ 正或负移，在 $\phi_0$ 附近降低 $C_d$ 且两侧出现吸脱附峰，形成吸附偶极子层。氢、氧在 Pt 等催化电极表面的吸附伴随电化学反应，体系不是 IPE，不能用 $C_d$ 或 $\sigma$ 研究，需采用充电曲线法或循环伏安法：充电曲线分为氢吸附区、双电层区和氧吸附区；循环伏安中最负电位区为可逆氢吸附/脱附峰，中间平台为双电层充电，最正电位区为不可逆氧吸附/脱附峰并伴随滞后环和钝化。
本文围绕椭圆曲线密码学及其标准算法展开，首先介绍有限域 $\mathbb{F}_p$ 上短 Weierstrass 椭圆曲线 $E:y^2=x^3+Ax+B$，判别式 $\Delta=-16(4A^3+27B^2)\not\equiv0\pmod p$，以及由无穷远点 $\mathcal{O}$ 和仿射点构成的有限交换群 $E(\mathbb{F}_p)$，其阶满足 Hasse 定理 $|E(\mathbb{F}_p)|=p+1-t$，$|t|\le2\sqrt p$。群律由弦切构造给出：点加斜率 $\lambda=\frac{y_2-y_1}{x_2-x_1}\pmod p$，交点的 $x_3=\lambda^2-x_1-x_2$、$y_3=\lambda(x_1-x_3)-y_1$，并取反射点 $P+Q=(x_3,-y_3)$；点倍乘时斜率改为 $\lambda=\frac{3x_1^2+A}{2y_1}$，且 $2P=(x_3,-y_3)$。由此定义点乘 $[k]P$ 与基点阶 $n$，并引出椭圆曲线离散对数问题（ECDLP）：已知 $Q=[k]G$ 求 $k$，其通用复杂度约为 $\sqrt{\pi n}/2$，是 ECC 安全性的基础。文章随后介绍 ECDH 密钥交换，双方私钥 $d_A,d_B$ 与公钥 $Q_A=[d_A]G$、$Q_B=[d_B]G$，共享秘密为
$$ [d_A]Q_B=[d_A d_B]G=[d_B]Q_A $$
并给出 ECDSA 签名与验证流程，签名 $r=x_1\bmod n$、$s=k^{-1}(z+rd_A)\bmod n$，验证时计算 $w=s^{-1}\bmod n$、$u_1=zw\bmod n$、$u_2=rw\bmod n$，检查 $[u_1]G+[u_2]Q_A$ 的 $x'$ 是否满足 $x'\bmod n=r$。接着重点介绍商密 SM2 算法：推荐 256 位曲线参数，签名前先计算包含用户标识与曲线参数的预处理值
$$ ZA=H_{256}(\mathrm{ENTL}_A\parallel\mathrm{ID}_A\parallel a\parallel b\parallel G_x\parallel G_y\parallel Q_{A,x}\parallel Q_{A,y}) $$
再计算 $e=H_{256}(ZA\parallel M)$，随机 $k$ 得 $[k]G=(x_1,y_1)$，令 $r=(e+x_1)\bmod n$，并计算
$$ s=(1+d_A)^{-1}(k-rd_A)\bmod n $$
验证时计算 $t=(r+s)\bmod n$、$[s]G+[t]Q_A=(x_1',y_1')$，判断 $R=(e'+x_1')\bmod n$ 是否等于 $r$；其正确性源于
$$ [s]G+[t]Q_A=[s]G+[r+s]d_AG=kG $$
文中还简要说明 SM2 公钥加密采用混合体制，密文为 $C_1\parallel(M\oplus t)\parallel\mathrm{SM3}(x_2\parallel M\parallel y_2)$，并给出基于 OpenSSL 3.x 的 C 语言 SM2 签名/验证示例，以及独立实现有限域运算、SM3 哈希、ZA 计算、签名与验证的完整 Python 代码，用于直观展示 SM2 的数学流程与逻辑。