面向材料科学的人工智能综述：基础模型、LLM 智能体、数据集与工具
机器学习
2025-06-27 v1 计算工程、金融与科学
摘要
基础模型(FMs)正在推动材料科学(MatSci)发生变革性转变,使可扩展、通用的多模态人工智能系统得以服务于科学发现。不同于通常范围狭窄且需要针对特定任务进行工程化设计的传统机器学习模型,基础模型具备跨领域泛化能力并展现出涌现能力。其多功能性尤其契合材料科学——该领域的研究挑战横跨多种数据类型与尺度。本综述对支撑这一蓬勃发展领域的基础模型、智能体系统、数据集与计算工具进行了全面概述。我们提出了一个面向任务的分类体系,涵盖六大应用方向:数据提取、解读与问答;原子尺度模拟;性质预测;材料结构、设计与发现;工艺规划、发现与优化;以及多尺度建模。我们讨论了单模态与多模态基础模型的最新进展,以及新兴的大语言模型(LLM)智能体。此外,我们还综述了标准化数据集、开源工具与自主实验平台,它们共同推动基础模型在研究工作流中的开发与集成。我们评估了基础模型的初步成功,并指出了若干持续存在的局限,包括泛化性、可解释性、数据不平衡、安全性以及多模态融合不足等方面的挑战。最后,我们阐明了以可扩展预训练、持续学习、数据治理与可信性为核心的未来研究方向。
引用
@article{arxiv.2506.20743,
title = {A Survey of AI for Materials Science: Foundation Models, LLM Agents, Datasets, and Tools},
author = {Minh-Hao Van and Prateek Verma and Chen Zhao and Xintao Wu},
journal= {arXiv preprint arXiv:2506.20743},
year = {2025}
}