传统的材料发现过程既复杂又耗时，成本也很高，通常需要数年的持续努力。最近，大型语言模型（LLMs）在信息处理方面取得了显著进展，展现出强大的能力，为智能和自主材料研究带来了新的机遇。

在一项发表在Matter期刊上的研究中，由中国科学院深圳先进技术研究院的薛峰教授领导的研究团队，开发了一种知识驱动的多智能体和机器人系统（MARS），用于实现端到端的自主材料发现。

MARS 是一个知识驱动的 分层架构，协调 19 个 LLM 代理和 16 个特定领域工具，组织成功能模块，通过整合机器人实验，实现闭环的自主材料发现。它包含不同的功能组，使专业推理成为可能，并模拟了人类主导实验室的工作流程。

这些组包括一个负责任务协调的协调者；一个负责知识检索和解决方案设计的科学家团队；一个负责将设计转化为可执行协议的工程师团队；一个负责控制机器人平台的执行者团队；还有一个负责数据解释和优化策略的分析师团队。

MARS 提供专业的材料开发指导，并通过混合检索与生成的结合来减轻当前大型语言模型固有的偏差。在实验验证中，该系统经过10次迭代成功优化了钙钛矿纳米晶体的合成。此外，它在仅 3.5 小时内设计了一种仿生的“核-壳-冠”结构，用于水稳定性钙钛矿复合材料。

本研究开发了一个集成的人工智能（AI）驱动框架——MARS，目的是加速材料的创新。