从数据到理论：用于材料科学的自主大语言模型智能体

我们提出了一种用于端到端、数据驱动材料理论开发的自主大语言模型（LLM）智能体。该模型能够选择方程形式、生成并运行自己的代码，并在无需人工干预的情况下测试理论与数据的匹配程度。该框架将逐步推理与专家提供的工具相结合，使智能体能够在保持决策清晰记录的同时按需调整其方法。对于诸如 Hall-Petch 方程和 Paris 定律等成熟的材料关系，该智能体能够正确识别控制方程，并在新数据集上做出可靠预测。对于更专业的关系，例如关于共轭分子 HOMO-LUMO 能隙随长度变化的 Kuhn 方程，其性能更依赖于底层模型，其中 GPT-5 表现出更好的正确方程恢复能力。除了已知理论外，该智能体还能提出新的预测关系，本文通过一个关于 HOMO-LUMO 能隙变化的应变相关定律进行了说明。同时，结果表明仔细的验证仍然必不可少，因为即使数值拟合看起来很强，智能体仍可能返回不正确、不完整或不一致的方程。总体而言，这些结果突显了自主 LLM 智能体在 AI 辅助科学建模和发现方面的前景及其当前的局限性。