撰文丨王聪
编辑丨王多鱼
排版丨水成文
近日，东京大学和蒙特利尔大学的一项研究登上了Cell Press官网头条。
该研究以：Accelerated inorganic materials design with generative AI agents（利用生成式 AI 智能体加速无机材料设计）为题，于 2025 年 12 月 17 日，在线发表于 Cell 子刊Cell Reports Physical Science上。
该研究开发了一个以通用大语言模型作为其核心生成引擎的材料发现框架——MatAgent。借助模拟人类专家推理过程的外部工具，并与晶体结构估算和性能评估模型相结合，MatAgent 能够实现反馈驱动的自主探索广泛的材料空间。针对特定形成能进行的实验表明，MatAgent 在提出具有所需性能的材料方面非常有效，同时还能保持高成分有效性、独特性和新颖性。该框架的自然语言集成使得在实际工作流程中实现直观约束变得容易。通过为每个成分建议提供明确的推理，这一框架确保了材料设计过程的可解释性，成为增强专家知识并加速无机材料发现的智能合作伙伴。
设计具有特定性能的无机晶体材料对技术创新至关重要，然而当前的生成方法往往难以在保证充分可解释性的前提下高效探索目标材料。
在这项新研究中，研究团队开发了用于加速无机材料设计的生成式 AI 智能体——MatAgent，这是一个利用大语言模型（LLM）强大推理能力的无机材料发现生成框架。
该框架通过结合基于扩散的晶体结构生成模型与性能评估预测模型，采用迭代式反馈驱动策略，将材料探索精准导向用户定义的目标。通过整合外部认知工具（包括短期记忆、长期记忆、元素周期表和综合知识库），MatAgent 模拟人类专家推理模式，极大拓展了可探索的化学成分空间。
实验结果表明，MatAgent 能稳健引导材料探索朝向目标性能，同时持续实现高成分有效性、独特性和新颖性。该框架因此提供了一个高可解释性、实用且多功能的 AI 驱动解决方案，可加速新一代无机材料的发现与设计。
该研究的亮点：
MatAgent 将大语言模型（LLM）推理与生成式扩散和属性预测模型相结合；
迭代反馈引导晶体生成朝着用户定义的目标发展；
模拟人类类比推理的认知外部工具的整合拓宽了探索的组合空间；
MatAgent 促进了可解释且具有属性导向的 AI 驱动的材料发现。
论文链接：
https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00618-6
热门跟贴