为具有特定性能的功能材料开发反向设计方法对于推进可再生能源,催化,储能和碳捕获等领域至关重要。 基于扩散原理的生成模型可直接生产出满足性能限制的新材料,从而显著加快材料设计过程。 然而,生成和预测晶体结构的现有方法往往仍然受到低成功率的限制。 在这项工作中,我们提出了一个名为InvDesFlow-AL的新型逆材料设计生成框架,该框架基于主动学习策略。 该框架可以迭代优化材料生成过程,以逐步引导其达到所需的性能特征。 在晶体结构预测方面,InvDesFlow-AL模型实现了0.0423 Å的RMSE,与存在的生成模型相比,性能提高了32.96。 此外,InvDesFlow-AL在低成型能和低铬材料的设计中已经成功验证。 它可以系统地产生具有逐渐降低形成能量的材料,同时不断扩大不同化学空间的探索。 这些结果充分证明了拟议的主动学习驱动生成模型在加速材料发现和逆向设计方面的有效性。 为了进一步证明这种方法的有效性,我们在环境压力下搜索了BCS超导体,这是InvDesFlow-AL探索的一个例子。 因此,我们成功确定 Li_2AuH_6 为常规BCS超导体,超高过渡温度为140K。 这一发现为逆向设计在材料科学中的应用提供了强有力的经验支持。