利用自主 LLM 研究回路优化专家设计的晶体图网络以预测带隙
材料科学
2026-06-29 v1 人工智能
机器学习
摘要
从材料结构预测其性质是计算材料科学中一个核心且快速发展的课题。十年的工作已产生标准的公开基准和许多针对该任务发表的机器学习模型。该任务固定的度量指标和这些基线使其成为自主智能体研究的自然场景。在 MatBench 带隙基准（10万晶体）上，一个通用编码智能体自主构建了在无外部预训练情况下训练的最准确模型，领先于该任务报告的所有十七个专家设计模型。深入分析表明，它是通过实现已知方法达到这一点的：这些方法要么已经是晶体神经网络模型中的标准方法，要么借鉴自机器学习的其他领域。做出贡献的具体实现包括每条消息传递边上的元素对特征和晶体空间群嵌入。这项工作不仅表明 LLM 智能体自主研究能够优化用于材料性质预测的专家设计机器学习模型，还探讨了此类自主研究的局限性。
引用
@article{arxiv.2606.29717,
title = {Optimizing Expert-Designed Crystal Graph Networks for Band-Gap Prediction with an Autonomous LLM Research Loop},
author = {Chenmu Zhang and Boris I. Yakobson},
journal= {arXiv preprint arXiv:2606.29717},
year = {2026}
}