论文
大型原子和语言模型的代理融合加速超导体的发现
Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery
摘要
人工智能通过高通量预测和生成加速了材料发现，但决策问题仍然是一个巨大的瓶颈。虽然当前的人工智能系统很容易提出数百万个候选者，但要做出有关可行实验目标的决策，需要解决原子级数值计算和高级语义推理的多维判断。在这里，我们介绍了 ElementsClaw，这是一种用于材料发现的代理框架，它编排了一套大型原子模型 (LAM) 工具，这些工具根据我们提出的 10 亿参数模型 Elements 进行了微调，用于数值计算，同时利用 大语言模型 (LLM) 进行语义推理。应用于超导体时，ElementsClaw 重新发现了标准 SuperCon3D 数据库中缺少的 66 种经过实验验证的超导体。 ElementsClaw 扩展到 240 万个平衡晶体，只需 28 个 GPU 小时即可识别出 68,000 个高置信度候选者 (https://developer.damo-academy.com/material)，与数十年来整理的数据集相比，将已知的超导空间扩展了几个数量级。在智能体推理的指导下，我们实验合成并验证了四种新型超导体：基序引导的 Zr$_3$ScRe$_8$ ($T_c$ = 6.5 K)、从头生成的 HfZrRe$_4$ ($T_c$ = 5.9 K)、结构上重新解释的 Zr$_4$VRe$_7$ ($T_c$ = 3.5 K) 和数据库潜在 Hf$_{21}$Re$_{25}$ ($T_c$ = 2.5 K)。我们的研究结果共同建立了一个知识集成、自主编排和基于实验的材料发现范式。