此次报告将简略介绍材料基因组计划（Materials Genome Initiative）在美国的发展，特别是高通量计算（high-throughput computation）和大数据（big data）技术的结合在不同的功能材料特别是能源和拓扑材料领域的应用。报告将以光催化材料的筛选和预测为例，介绍这套方法在材料发现和推广过程中的作用。在这个方向上，我们发展了一套基于第一原理计算和数据的新材料发现方法，用以寻找小带隙并具有合适光解水的能带边缘的过渡金属氧化物。基于材料计划(Materials Project) 的现有框架，通过使用一套新的广泛适用的高通量自动化计算流程，我们实现了固体和表面电子结构的第一原理计算自动化。我们发现，通过高通量计算提供的海量数据与机器学习（Machine Learning）技术的结合，仅利用密度泛函水平的计算结果便可以很好的预测更高阶的杂化泛函理论计算得到的半导体带隙大小。这一发现大大加速了我们的材料筛选过程。我们使用这套发现方法成功确定了若干在光照溶液环境中稳定的光催化剂。其中两种材料已被加州理工学院人工光合作用中心的实验合作者成功合成，其实验数据与我们的理论预测非常吻合。我们的研究发现了这些材料的若干共性和规律，这为继续寻找新的光催化材料提供了理论设计的方向。报告还将简要介绍我们使用高通量材料搜索方法在拓扑材料领域的早期工作和前景展望。