大型原子模型与语言模型的智能体融合以加速超导体发现
机器学习
2026-05-05 v3 材料科学
摘要
人工智能通过高通量预测和生成加速了材料发现，但决策问题仍是一个巨大的瓶颈。虽然当前AI系统能够提出数百万候选方案，但确定一个可行的实验目标需要解决跨原子尺度数值计算与高层语义推理的多维判断。本文提出 ElementsClaw，一种用于材料发现的智能体框架，通过编排来自我们提出的10亿参数模型 Elements 微调的大型原子模型（LAM）工具进行数值计算，同时利用大型语言模型（LLM）进行语义推理。应用于超导体领域，ElementsClaw 重新发现了 66 个实验验证的超导体，这些超导体不在标准的 SuperCon3D 数据库中。该方法扩展至 240 万平衡晶体，仅用 28 个 GPU 小时即可识别出 68,000 个高置信度候选方案（https://developer.damo-academy.com/material），将已知超导体空间扩展至数十年数据集所构建规模的多个数量级。基于智能体的推理，我们实验性地合成并验证了四个新型超导体：motif 导向的 ZrScRe（ = 6.5 K），全新生成的 HfZrRe（ = 5.9 K），结构重新解释的 ZrVRe（ = 3.5 K），以及数据库潜在的 HfRe（ = 2.5 K）。我们的结果建立了一种集成知识、自主编排且以实验为依据的材料发现范式。
引用
@article{arxiv.2604.23758,
title = {Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery},
author = {Mingze Li and Yu Rong and Songyou Li and Lihong Wang and Jiacheng Cen and Liming Wu and Anyi Li and Zongzhao Li and Qiuliang Liu and Rui Jiao and Tian Bian and Pengju Wang and Hao Sun and Jianfeng Zhang and Ji-Rong Wen and Deli Zhao and Shifeng Jin and Tingyang Xu and Wenbing Huang},
journal= {arXiv preprint arXiv:2604.23758},
year = {2026}
}