通过协作式多智能体与机器人系统实现的知识驱动型自主材料研究

《Matter》：Knowledge-driven autonomous materials research via collaborative multi-agent and robotic system

大语言模型（LLM）为材料研究加速提供新可能，但复杂材料应用受限。本研究开发协作型多智能体与机器人系统（MARS），通过19个LLM代理与16个领域工具构建分层知识驱动架构，实现闭环自主材料发现。实验验证表明，MARS在钙钛矿纳米晶体合成中仅需10次迭代即优化工艺，设计生物模拟"核壳冠"结构耗时3.5小时（传统需4-6个月），并通过混合检索增强生成技术减少LLM幻觉。系统配备自然语言交互界面，支持研究者动态协调实验流程与多智能体协作。该成果建立AI驱动材料创新集成框架，推动自主科研范式转型。

　　

进展与潜力

大型语言模型（LLMs）为加速材料研究提供了新的可能性，但它们在复杂材料科学中的应用仍然有限。在这里，我们开发了协作式多智能体与机器人系统（MARS），这是一个基于知识的层次化架构，它协调了19个LLM智能体和16个特定领域的工具，这些工具被组织成功能模块，通过整合机器人实验实现了闭环自主材料发现。MARS为材料开发提供了准确且专业的指导，并通过混合检索增强生成方法减轻了当前LLMs固有的“幻觉”问题（即生成结果可能与实际情况不符的问题）。作为实验验证，该系统在钙钛矿纳米晶体的开发中展示了其能力：在10次实验迭代内优化了合成方案，并在3.5小时内设计出一种仿生“核壳-冠层”结构用于水稳定钙钛矿复合材料，而传统方法需要4-6个月的时间。通过交互式的自然语言界面，研究人员可以编排实验并实时跟踪智能体之间的协调情况。

亮点

•

具有专用工具的层次化多智能体系统，模仿人类研究团队

LLM与机器人的集成推动了端到端的自主材料研究

混合检索技术实现了跨领域知识的整合，用于专业设计

基于知识的推理能力促进了材料设计

总结

大型语言模型（LLMs）为加速材料研究提供了新的可能性，但它们在复杂材料科学中的应用仍然有限。我们开发了协作式多智能体与机器人系统（MARS），这是一个基于知识的层次化架构，它协调了19个LLM智能体和16个特定领域的工具，用于实现闭环自主材料发现。MARS结合了科学知识与决策能力，同时通过定制的知识库和检索增强生成技术减轻了“幻觉”问题。在实验验证中，该系统在10次迭代内优化了钙钛矿纳米晶体的合成方案，并在3.5小时内设计出一种仿生“核壳-冠层”结构用于水稳定钙钛矿复合材料，而传统方法需要4-6个月的时间。这种加速机制自动化了文献回顾和实验规划，使研究人员能够专注于创造性思考，同时通过自然语言界面进行交互。这项工作建立了一个集成式的AI驱动框架，用于加速材料创新，并为AI支持的科学研究提供了新的范例。

图形摘要