MASON: Materials Atomistic Structure builder Operated in Natural language

在材料科学领域，研究人员经常需要构建微小且完美的物质模型，以了解事物的运作方式。想象一下，试图预测一种新型电池如何保持电荷，或一种药物如何与细胞相互作用；科学家通过创建以特定模式排列的数字原子版本来实现这一点。这些被称为晶体结构的模式，是包括计算机芯片中的硅到喷气发动机中的金属在内的各种事物的蓝图。为了研究它们，科学家使用强大的计算机运行模拟，但在计算机开始工作之前，必须先由人类构建模型。这是一项精细的任务。如果原子的位置哪怕稍有偏差，整个模拟就会失败，结果也会变得毫无意义。几十年来，这一步骤需要研究人员编写复杂的计算机代码或手动操作三维形状，这个过程缓慢、容易出错，且难以由新一代人工智能独立处理。

一组研究人员现在推出了一种名为 MASON 的新工具，旨在弥合人类意图与数字构建之间的鸿沟。该系统允许科学家使用普通的英语来描述他们需要的结构，人工智能代理会将这些词汇转化为精确、无误的原子模型。与其要求人工智能编写可能包含错误的程序代码，MASON 为其提供了一套专门的工具集，供其直接使用。这可以想象为给建筑师提供了一套预制的、经过精确校准的砖块和一把锤子，而不是每次都要求他们从零开始混合水泥并塑造砖块。研究人员证明了这种方法非常可靠，它允许人工智能接收像“构建一个一氧化碳附着在铂金表面上的模型”这样简单的请求，并生成一个复杂且符合科学规范、可用于模拟的结构。

研究人员解决的核心挑战在于，虽然现代人工智能可以进行对话并进行逻辑推理，但在处理晶体学的特定且严格的规则时却显得力不从心。过去，如果科学家希望人工智能构建一个模型，人工智能必须编写一个程序来完成它。这是有风险的，因为代码中哪怕是一个微小的错误都可能导致原子重叠或产生现实中不存在的结构。MASON 系统改变了这种动态，它作为一个专门的服务器，位于人工智能与构建过程之间。当研究人员提出问题时，人工智能会将请求分解为一系列步骤，并调用 M خلال执行每一步操作。MASON 执行操作（例如切割晶体的一个切片或添加一个缺失的原子），并立即反馈它构建的具体内容。这种反馈循环确保了如果某一步骤出现错误，人工智能能够看到结果，并在模型最终定型前纠正下一步行动。

该系统分为五个主要工具类别，涵盖了构建模型的整个生命周期。首先，它可以分析现有结构以检查其有效性，统计原子数量并测量它们之间的距离。其次，它可以创建更大版本的晶体或引入特定的缺陷，例如通过移除一个原子来模拟缺陷。第三，它可以切割一块材料以创建一个平面，这对于研究化学物质如何与金属相互作用至关重要。第四，它可以将分子放置在这些表面的精确位置。最后，它可以将两种不同的材料结合在一起，观察它们如何契合，这一过程被称为创建异质结构。在每种情况下，工具都承担了几何计算的繁重工作，确保原子间距正确且保持对称性。

为了证明系统的有效性，研究人员演示了一个构建一氧化碳吸附在铂金表面模型的完整示例。过程始于人工智能要求 MASON 读取体铂金的基本结构并验证其形状。接着，人工智能指示 MASON 切割这种材料的一个薄片，具体为四层原子厚的薄层，并将底部的两层固定住，以模拟固体块。系统随后扩展了这个薄片以创建更大的表面积，并确定了一氧化碳分子可以附着的特定位置。最后，人工智能指导 M रूप 将分子精确放置在距离表面特定空位上方两个埃（Angstrom）的位置。在整个序列过程中，涉及十多次单独的工具调用，人工智能不断接收关于原子尺寸和排列的更新。最终结果是一个完整的、三维的模型，通过了所有几何检查，可以随时用于超级计算机进行模拟。

研究人员还测试了该系统在各种其他挑战下的表现，以确保其可靠性。他们成功构建了石墨烯纳米带、碳原子扭转层以及碳化硅与硅之间的复杂界面模型。在每种情况下，人工智能都利用自然语言请求来引导构建，而 MASON 则负责精确执行。例如，当被要求构建一个带有缺失原子的硅晶体模型时，系统正确识别了晶体对称性的变化，并报告了剩余原子的排列方式。当被要求结合两种不同的材料时，系统计算了对齐其原子网格的最佳方式以最小化应力，并将选项呈现给人工智能进行选择。在测试的全部十八个案例中，由人工智能构建的结构在数学上是一致的，在几何上也是合理的，与人工计算的结果相匹配。

这项工作代表了向更自主的科学研究迈出的重要一步。通过为人工智能代理配备可靠的专业工具，研究人员消除了人工智能在执行基础结构任务时编写自身代码的需求。这降低了出错的可能性，并允许人工智能专注于科学推理而非机械的构建细节。该系统是开源的，这意味着其他科学家可以使用它来构建自己的模型，并且它被设计为可以与任何支持模型上下文协议（Model Context Protocol）的人工智能框架协同工作。其最终目标不仅是更快地构建模型，而是创建一个工作流，使研究人员可以用平实的语言陈述科学问题，然后人工智能可以处理整个实验设置过程——从最初的原子排列到最终的数据分析。虽然当前版本侧重于构建结构，但同样的方法最终可以应用于运行模拟和分析结果，从而推动该领域向“科学家定义目标，机器负责执行”的未来迈进。