专家引导的大语言模型推理用于电池发现：从 AI 驱动的假设到合成与表征
人工智能
2025-07-23 v1 机器学习
摘要
大语言模型 (LLM) 利用链式思维 (chain-of-thought, CoT) 技术来解决复杂问题，代表了人工智能 (AI) 中的变革性突破。然而，它们的推理能力主要在解决数学和编码问题方面得到验证，对于 domain-specific applications ——例如电池发现——的潜力尚未得到充分探索。鼓舞人心的观点是推理类似于一种 guided search，我们引入 ChatBattery，一种 novel agentic 框架，将 domain knowledge 集成到 LLM 以引导其更有效的 materials design 推理。通过 ChatBattery，我们成功识别、合成和表征了三种新型锂离子电池正极材料，分别实现了相对于广泛使用的正极材料 LiNi0.8Mn0.1Co0.1O2 (NMC811) 的实际容量提升 28.8%、25.2% 和 18.5%。除了这一发现，ChatBattery 开拓了一条成功的 LLM 驱动和基于推理的 materials invention 平台。这一完整的 AI 驱动周期——从设计到合成到表征——展示了 AI 驱动推理在 materials discovery 中的变革性潜力。
关键词
引用
@article{arxiv.2507.16110,
title = {Expert-Guided LLM Reasoning for Battery Discovery: From AI-Driven Hypothesis to Synthesis and Characterization},
author = {Shengchao Liu and Hannan Xu and Yan Ai and Huanxin Li and Yoshua Bengio and Harry Guo},
journal= {arXiv preprint arXiv:2507.16110},
year = {2025}
}