METASYMBO：基于符号潜空间进化的多智能体语言引导超材料发现

超材料发现旨在寻找其几何结构能诱导目标力学行为的微结构材料。现有逆向设计方法能够高效生成候选，但通常需要明确的数值属性目标，较不适合早期探索阶段——研究者往往从以自然语言表达的不完整约束与定性意图出发。大语言模型可以解读这类意图，但缺乏几何感知与物理属性有效性。为弥补这一空白，我们提出MetaSymbO，一个通过符号驱动潜空间进化（Symbolic-driven latent evOlution）实现语言引导超材料发现的多智能体框架。具体而言，MetaSymbO包含三个智能体：Designer解读自由形式的设计意图并检索语义一致的骨架；Generator在解耦潜空间中合成候选微结构；Supervisor提供快速的属性感知反馈以支持迭代精炼。为超越复现文献与训练数据中已知样本的局限，我们进一步引入符号驱动潜空间进化，在解耦潜因子上施加可编程算子，在推理时组合、修改和精炼结构。大量实验表明：(i) 与最先进基线相比，MetaSymbO将结构有效性在对称性上提升最多34%，在周期性上提升近98%；(ii) 与先进推理LLM相比，MetaSymbO的语言引导得分高出约6-7%，同时保持更优的结构新颖性；(iii) 定性分析确认了符号逻辑算子在实现可编程语义对齐方面的有效性；(iv) 拉胀与高刚度超材料设计的真实案例研究进一步验证了其实用能力。