An LLM agent for end-to-end computational materials discovery
本文介绍了 MAESTRO，这是一个基于大语言模型（LLM）的智能体系统，它通过整合文献挖掘、数据库整理以及多尺度筛选，实现了金属有机框架（MOF）端到端的自动化计算发现，旨在识别出传统方法可能忽略的高性能材料，用于湿烟气分离。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
寻找新材料以解决全球性问题通常是一个缓慢且碎片化的过程。科学家必须首先从浩如烟海的科学论文中定位出具有前景的晶体结构，然后对该结构进行清洗和验证，计算其在特定条件下的行为，最后筛选数千个候选材料以找到最佳方案。每一个步骤通常都需要不同的软件工具和专门的人力专业知识，这使得将它们连接成一个单一、无缝的搜索过程变得十分困难。对于金属有机框架（MOFs）而言尤其如此，这类多孔材料由金属离子与有机分子链接而成。这些材料就像微型海绵一样，拥有可调节的孔隙，能够捕捉特定气体并让其他气体通过。它们在捕获工业烟尘中的二氧化碳方面具有巨大的潜力，这是减少温室气体排放的关键步骤。然而，现有的研究数量之巨以及测试这些材料所需的计算复杂性，使得在真实的潮湿环境下寻找完美的候选材料变得异常困难。
一组研究人员现在展示了一种利用名为 MAESTRO 的人工智能系统来弥补这些差距的新方法。MAESTRO 并非依赖人类手动协调不同的发现阶段，而是使用一个大语言模型作为“中央大脑”，指挥一支由专门数字智能体组成的团队。这些智能体协同工作，阅读科学文献、提取晶体结构、验证其质量，并运行复杂的模拟实验以测试其性能。该系统不仅仅是回答问题，它还能执行一整个完整的研究任务——从一个广泛的科学问题出发，最终生成一份经过验证的高性能材料清单。
研究人员用一个特定的挑战对该系统进行了测试：寻找能够从湿润烟气（例如发电厂的废气）中捕获二氧化碳的金属有机框架。在这种条件下，水蒸气的存在往往会干扰捕获过程，要么堵塞材料的孔隙，要么与二氧化碳产生竞争。MAESTRO 系统首先扫描了超过 40 万篇科学论文，旨在将已发表的研究与所描述的材料的实际晶体结构联系起来。随后，它将这些结构清洗并整理成数据库，剔除了重复项并修复了错误。从超过 6.4 万个经过验证的结构初始池开始，系统应用了一系列日益精细的过滤器。首先，它剔除了体积过小无法容纳二氧化碳，或含有在水中反应性较差的金属的材料。接着，它利用快速计算机模拟，识别出那些在吸引二氧化碳的同时对水具有天然抵抗力的材料。这一初步筛选将领域缩小到了仅 1,000 多个候选材料。
随后，系统对剩余的候选材料进行了成本更高、精度更高的模拟。它测试了这些材料在混合气体中能容纳多少二氧化碳，并检查了孔隙是否足够大，以便让气体分子自由移动。经过这些严格的测试后，候选池被缩减至 205 个极具前景的结构。研究人员随后运行了详细的过程模拟，以观察这些材料在现实世界的碳捕获装置中的表现，测量了捕获气体的纯度以及该过程所需的能量。结果令人瞩目。该系统识别出了 11 种表现优异的顶级候选材料，其性能超越了作为基准的知名商业材料。虽然这种商业基准材料在暴露于高湿度环境下时，其捕获碳的能力几乎丧失殆尽，但这 11 种新候选材料即使在完全饱和于水的情况下，仍能保持其干燥状态下 93% 以上的容量。
或许最令人惊讶的发现在于这些成功材料的来源。通过追踪原始研究论文，团队发现这 11 种顶级候选材料中，没有任何一种曾被专门研究过用于碳捕获。它们源自完全无关的科学领域，包括发光传感器、磁性性质以及其他气体的化学分离研究。这表明，最适合特定工作的材料往往就隐藏在无关的科学文献之中，因为研究人员并未在这些特定背景下寻找它们，从而导致了这些材料被忽视。该系统的能力使其能够跨越这些学科边界，从而发现那些传统、以应用为导向的搜索可能会错过的、高性能的解决方案。
为了确保这些发现的稳健性，研究人员对顶级候选材料进行了进一步测试。他们在含有二氧化碳、氮气和水蒸气的混合潮湿条件下对材料进行了模拟。结果证实，这些新候选材料保持了其性能，而商业基准材料在相同条件下则表现崩溃。团队还检查了模拟中所假设的刚性结构在现实中是否能保持稳定。通过先进的分子动力学模拟，他们发现大多数材料保持了原有的形状，尽管少数材料在接触气体时显示出轻微的变化，这表明现实世界的测试对于确认其行为仍是必要的。
这项工作证明，人工智能智能体可以成功协调现代材料发现所需的复杂、多阶段工作流。通过连接不同领域的零散研究，并自动化验证和筛选的繁琐过程，该系统发现了一代全新的材料，它们既高效又具备抵抗湿度挑战的能力。这些发现不仅提供了一份新的候选名单，还为未来的科学发现提供了一个蓝图——即从孤立的实验转向一种连贯的、自动化的搜索，以寻找能够应对世界上最紧迫环境挑战的解决方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。