编辑丨%
材料科学正面临着空前的挑战。随着新材料需求的激增，科学家们亟需快速筛选、设计和验证新的材料体系，尤其是在纳米技术、能源存储以及药物传递等领域。然而，传统的研究方法，尤其是在材料发现的初期阶段，仍然依赖于手动的实验设计和试错。
在 LLM 逐渐发展且进化的当下，如何使用这种工具实现高效智能的开发，成为了相关研究者需要探讨的核心问题之一。
来自中国科学院深圳先进技术研究院（SIAT）的团队开发了一种基于知识的多智能体与机器人系统（MARS），用于端到端自主材料发现。该系统通过结合多智能体与机器人技术，首次实现了从问题定义到实验执行，再到结果反馈的全自动闭环。
相关研究内容以「Knowledge-driven autonomous materials research via collaborative multi-agent and robotic system」为题，于 2026 年 1 月 21 日发布在《Matter》。
论文链接：https://www.cell.com/matter/abstract/S2590-2385(25)00620-4
分层多智能体架构
MARS 系统的核心亮点在于其高度模块化与协同工作的智能体架构。系统内包含19 个智能体，这些智能体被分为五大类，各自承担不同的任务：
- ORCHESTRATOR负责全局协调，确保任务在所有智能体之间平稳流转；
- SCIENTIST负责科学知识的推理与检索，定义研究问题并提出实验假设；
- ENGINEER负责将科学家的研究假设转化为实验可执行的具体步骤和操作方案；
- EXECUTOR负责实际执行实验，控制机器人平台进行物理实验操作；
- ANALYST负责对实验数据进行分析，并将结果反馈给 ORCHESTRATOR，推动进一步实验的设计与优化。
图 1：MARS 的架构。
这一系统设计的一个显著优势是其能够完全实现实验闭环，即每一个实验的执行和结果分析都在同一个平台上进行，消除了传统方法中实验阶段与分析阶段之间的时间和数据损失。
每个智能体并非通用型，而是结合了特定的工具与数据库，围绕任务完成特定工作，确保了系统的高度专精性与高效协作。最重要的是，这一设计仿效了真实科研团队的分工，通过任务的模块化协作，将复杂的科研过程自动化。
图 2：MARS 的优化能力。
智能体所使用的相关数据库共包含 1348 篇钙钛矿高影响力文献的知识库，生成向量数据库（7818 个片段）与知识图谱（11.7 万节点、23.2 万条边），融合多维度检索方式，确保知识获取的全面性与准确性。
该系统无需依赖大量实验数据，通过 LLM 结合材料领域知识推理实验参数，实现小样本高效优化。它打通了「知识检索 - 方案设计 - 代码生成 - 机器人实验 - 数据分析」全流程，即使没有人工干预，也可以自行完成材料研发。
材料开发中的表现
据报道，实验验证中，系统在 10 次迭代内优化了钙钛矿纳米晶体合成。钙钛矿这种材料，因其在光电和催化领域的潜力而被广泛关注，但其合成与性能调控非常复杂，通常需要大量的实验验证与优化。
图 3：MARS 辅助的钙钛矿纳米复合材料的设计与合成。
通过 MARS，研究团队在仅 3.5 小时内，完成了对钙钛矿复合材料的优化，生成了具有高发光效率且稳定性更强的水稳定钙钛矿复合材料。在整个过程中，系统在 10 轮实验内就完成了性能的显著优化，这相较于传统的人工方法，不仅在时间上缩短了60 倍，还大大提高了数据的一致性和可靠性。
而相较于其他单智能体 LLM（GPT-4o），MARS 的胜率高达 60.02%，对比 ChatGPT-4o 网页版胜率也达到了 61.89%。且 MARS 还适配开源模型，具有良好的框架扩展性。
小结
研究团队明确指出，推理系统的智能性和实验执行的精准性仍有进一步优化的空间。例如，复杂反应条件的适应性、机器人平台的实时反馈机制以及模型训练时的知识更新机制等，都需要在实际应用中进行持续的改进。
此外，随着跨学科的深入发展，MARS 系统的应用将不仅限于材料科学，还可以扩展到生物医学、环境科学等多个领域。跨模态、多领域的知识整合将成为 MARS 未来拓展的关键。
https://phys.org/news/2026-01-multi-agent-ai-robots-automate.html
热门跟贴