AI机器学习由于其卓绝的大数据挖掘以及在部分任务上能够超出领域专家潜力已经而在近年广受关注。将AI引入材料工程的科学问题上已有少部分材料学者进行交叉的先例，然而这些研究普遍面临训练数据过少，计算资源有限，参数信息于范围以及训练数据可靠程度差，最终导致获得的机器学习模型适用性和可靠性并不令人满意。除此之外，大部分迄今为止将机器学习引入材料研发的研究工作通常仅向读者展示使用少于10种机器学习算法构建的大数据模型。这导致其应用算法的数量非常有限，从而遗漏了许多可能性。实际上，对于不同的数据集与任务类型，最适宜算法的种类和超参数设置往往是不一样的。因此，使用机器学习算法优化目标任务时，应该从多种候选算法中进行建模结果比较从而选择最合适的方法。实际上，在AI领域，这种针对算法的评估和比较是长期以来用来解决问题的通用做法，例如著名的Kaggle竞赛。实验科学可能会受益于AI，同时也是它的基石。但是目前已有的相关研究仍然缺乏合理的统一标准化方法将AI进行指导实验设计的潜力充分开发。因此，南京大学刘建国教授团队创建了一套标准的机器学习工作流，其中包含四个处理模块与多达35种机器学习算法和三种高级优化算法。同时以质子交换膜燃料电池膜电极为应用领域，构建了迄今为止该领域最大的基于实际实验的训练数据库，包含了过去17年间发表的295篇相关研究论文中的918条实验数据，每条实验数据囊括了从制备方法，理化性质到实验条件等66个实验参数以及其对应的性能数据。特征筛选模块首先通过特征排序方法筛选出了27个核心特征作为后续决策与回归建模输入参数，决策树与apriori关联规则挖掘算法则提供了设计高性能膜电极的可视化路径。回归建模中，人工神经网络从33种算法中优胜并能够达成对测试集中极化曲线和最大功率密度的精准预测(R2=0.9482)。最后，以回归建模中获得的高精度预测模型作为目标优化函数，机制优化模块能够直接根据已有实验条件为研究者提供可能获得最优性能的参数建议，从而构成完整的AI辅助研发循环。相关成果以“Applying machine learning to boost the development of high-performance membrane electrode assembly for proton exchange membrane fuel cells”为题在Journal of Materials Chemistry A上作为封面文章（inside cover）发表。