西安光机所在人工智能与材料科学交叉研究领域取得进展
近日，中国科学院西安光机所光谱成像技术研究室在人工智能与材料科学交叉研究领域取得进展。团队综述论文发表于Advanced Functional Materials。西安光机所为第一完成单位，西安光机所张磊研究员为第一作者兼通讯作者，西安光机所王荃研究员为通讯作者，共同完成论文撰写与组织工作。 lgU!D |v
(y>N\xS9
当前，人工智能技术的快速发展正深刻改变科研方式与范式。以大语言模型（Large Language Models, LLMs）为代表的新一代智能模型，凭借复杂信息理解、推理及知识整合能力，已从传统计算工具演进为辅助甚至指导科研的智能系统，为材料科学、光学传感探测、工程技术科学等领域研究提供了全新技术支撑与思路。 o( zez
08nh y[
文章全面总结了大语言模型在材料科学领域的核心能力与应用场景，涵盖材料知识问答、文献知识抽取、合成路线解析、材料性质预测、逆向设计以及与密度泛函理论（DFT）、晶体结构预测（CSP）等传统材料计算方法的协同应用；重点介绍了通用型语言模型与材料领域专用模型（如MatBERT、MatSciBERT、LLaMAT等）的发展现状，展示了大模型在金属、陶瓷、高分子、能源材料及催化剂等多类材料体系中的实际应用案例。 %BkE %ZcZ
L4/ns@e
[attachment=133990] (X"5x]7]
图.大语言模型及其在材料科学中的基础框架与应用概览 1}=D
围绕“LLM 赋能材料设计”前沿方向，文章明确了大语言模型在材料研究中的三类关键作用： ,#ZPg_x?1
R'c dEoy
（1）知识获取与结构化：从大规模文献中自动抽取材料组成、工艺条件与性能指标，实现材料数据库的高效构建； 2w7$"N
MZh .Xo
（2）辅助设计与智能推理：通过语义理解与生成能力支持材料设计、性质预测与实验规划； YTefEG]|q
%MHL@Nn>e
（3）自主科研系统的核心组件：作为检索增强生成（RAG）、科学智能体（Science Agents）和自驱动实验系统（Self-Driving Labs）的认知核心，实现材料研发流程的智能化与自动化。 Cst1 nGPL
:P_h_Tizv
同时，文章还展望了融入物理规律的材料大模型架构（Physics-Informed Transformers）、多模态材料模型构建、跨尺度知识融合以及面向智能实验平台的自动化控制体系等，为材料智能研究提供了明确的发展路径和技术蓝图。 U%:%. Bys
*P*~CHx>
西安光机所光谱成像技术研究室在光学信息处理、人工智能、材料智能设计等交叉方向持续开展系统研究，并取得一系列重要成果。此次文章发表进一步完善了研究所在“AI+材料”研究方向的布局，对促进人工智能在材料科学领域的深度应用具有积极意义。 ]w6 F%d
*>=tmW;%
论文链接：https://doi.org/10.1002/adfm.202525897
|