面向假设驱动与可解释材料设计的闭环 AI 框架
材料科学
2025-09-24 v1
摘要
科学假设生成是材料发现的核心，然而当前方法往往侧重于概念驱动（从想法到数据）推理或数据驱动（从数据到想法）分析，鲜少实现两者的有效整合。在此，我们提出了一种可推广的主动学习工作流，整合了由大语言模型引导的自上而下、理论驱动的假设生成。这辅以通过根因关联研究进行的自下而上、数据驱动的假设检验。我们通过设计等摩尔五价阳离子二维钙钛矿展示了该方法，这是一个具有超过 850,000 种可能阳离子组合的化学复杂系统。在自上而下部分，大语言模型利用领域知识和思维链推理，提出可能实现相纯度的候选材料，从而驱动闭环优化。随着每次迭代，模型识别出越来越多的近相纯组合，采样范围不足设计空间的 0.004%。同时，自下而上的关联研究识别出对相纯度具有统计学显著影响的分子特征。这些方法的整合实现了概念与统计假设的收敛，为相纯五价阳离子二维钙钛矿生成了可推广且理性的设计规则。作为概念验证，我们将优化后的相纯五价阳离子二维钙钛矿薄膜作为钙钛矿太阳能电池的表面覆盖层，实现了良好的性能与稳定性。我们的框架能够生成可解释且可推广的设计规则，适用于复杂设计空间内的广泛优化过程，为理性、可扩展且高效的材料发现提供了基础策略。
引用
@article{arxiv.2509.18604,
title = {A closed-loop AI framework for hypothesis-driven and interpretable materials design},
author = {Kangyu Ji and Tianran Liu and Fang Sheng and Shaun Tan and Moungi Bawendi and Tonio Buonassisi},
journal= {arXiv preprint arXiv:2509.18604},
year = {2025}
}