撰文丨王聰

編輯丨王多魚

排版丨水成文

近日，東京大學(xué)和蒙特利爾大學(xué)的一項研究登上了Cell Press官網(wǎng)頭條。

該研究以：Accelerated inorganic materials design with generative AI agents（利用生成式 AI 智能體加速無機材料設(shè)計）為題，于 2025 年 12 月 17 日，在線發(fā)表于 Cell 子刊Cell Reports Physical Science上。

該研究開發(fā)了一個以通用大語言模型作為其核心生成引擎的材料發(fā)現(xiàn)框架——MatAgent。借助模擬人類專家推理過程的外部工具，并與晶體結(jié)構(gòu)估算和性能評估模型相結(jié)合，MatAgent 能夠?qū)崿F(xiàn)反饋驅(qū)動的自主探索廣泛的材料空間。針對特定形成能進行的實驗表明，MatAgent 在提出具有所需性能的材料方面非常有效，同時還能保持高成分有效性、獨特性和新穎性。該框架的自然語言集成使得在實際工作流程中實現(xiàn)直觀約束變得容易。通過為每個成分建議提供明確的推理，這一框架確保了材料設(shè)計過程的可解釋性，成為增強專家知識并加速無機材料發(fā)現(xiàn)的智能合作伙伴。

設(shè)計具有特定性能的無機晶體材料對技術(shù)創(chuàng)新至關(guān)重要，然而當前的生成方法往往難以在保證充分可解釋性的前提下高效探索目標材料。

在這項新研究中，研究團隊開發(fā)了用于加速無機材料設(shè)計的生成式 AI 智能體——MatAgent，這是一個利用大語言模型（LLM）強大推理能力的無機材料發(fā)現(xiàn)生成框架。

該框架通過結(jié)合基于擴散的晶體結(jié)構(gòu)生成模型與性能評估預(yù)測模型，采用迭代式反饋驅(qū)動策略，將材料探索精準導(dǎo)向用戶定義的目標。通過整合外部認知工具（包括短期記憶、長期記憶、元素周期表和綜合知識庫），MatAgent 模擬人類專家推理模式，極大拓展了可探索的化學(xué)成分空間。

實驗結(jié)果表明，MatAgent 能穩(wěn)健引導(dǎo)材料探索朝向目標性能，同時持續(xù)實現(xiàn)高成分有效性、獨特性和新穎性。該框架因此提供了一個高可解釋性、實用且多功能的 AI 驅(qū)動解決方案，可加速新一代無機材料的發(fā)現(xiàn)與設(shè)計。

該研究的亮點：

• MatAgent 將大語言模型（LLM）推理與生成式擴散和屬性預(yù)測模型相結(jié)合；

• 迭代反饋引導(dǎo)晶體生成朝著用戶定義的目標發(fā)展；

• 模擬人類類比推理的認知外部工具的整合拓寬了探索的組合空間；

• MatAgent 促進了可解釋且具有屬性導(dǎo)向的 AI 驅(qū)動的材料發(fā)現(xiàn)。

論文鏈接：

https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00618-6