Hypothesis-Driven Autonomous Materials Synthesis with Multimodal LLM Agents
Cet article présente SynAgent, un cadre dans lequel des agents de modèles de langage multimodaux mènent de manière autonome des expériences et affinent de façon itérative des hypothèses explicites et lisibles par l'humain sur les processus de synthèse de matériaux — comme l'identification de fenêtres de température optimales pour les films minces de LiCoO2 — en générant de manière adaptative des capacités d'analyse et en employant une stratégie de vérification-falsification pour dépasser la simple optimisation vers une compréhension scientifique testable.