AI4S-SDS：经稀疏 MCTS 与可微物理对齐的神经符号溶剂设计系统

化学配方的自动化设计是材料科学的基石，但需在高维组合空间中导航，涉及离散组成选择与连续几何约束。现有大语言模型（LLM）智能体在此场景面临重大挑战，包括长程推理时的上下文窗口限制和可能导致模式坍缩的路径依赖探索。为解决这些问题，我们提出 AI4S-SDS，一个闭环神经符号框架，将多智能体协作与定制的蒙特卡洛树搜索（MCTS）引擎结合。我们提出带动态路径重构的稀疏状态存储机制，把推理历史与上下文长度解耦，在固定 token 预算下支持任意深度的探索。为减少局部收敛并提升覆盖，我们实现全局-局部搜索策略：记忆驱动规划模块基于历史反馈自适应重配搜索根，兄弟感知扩展机制在节点层促进正交探索。此外，我们通过可微物理引擎桥接符号推理与物理可行性，采用带稀疏正则的混合归一化损失，在热力学约束下优化连续混合比例。实证结果表明，AI4S-SDS 在所采用的基于 HSP 的物理约束下达到完全有效，并较基线智能体大幅提升探索多样性。在初步光刻实验中，该框架发现了一种新型光刻胶显影液配方，相对商用基准表现出相当或更优的性能，凸显多样性驱动神经符号搜索对科学发现的潜力。