An LLM agent for end-to-end computational materials discovery

📄 arXiv: 2608.20434v1 📥 PDF

作者: Chen Yuntong, Huang Ju, Liu Yu, Zhao Dan, Sun Mingqi, Ju Chentian, Liu Yanbing, Huang Lijiang, Zhao Guobin

分类: cond-mat.mtrl-sci, cs.AI

发布日期: 2026-08-20

💡 一句话要点

提出MAESTRO以解决计算材料发现中的多尺度任务协调问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 计算材料发现 大型语言模型 金属有机框架 多尺度任务 材料筛选 文献处理 数据库构建

📋 核心要点

  1. 现有的计算材料发现方法在多尺度任务的协调上存在挑战，导致算法和工具的重复应用复杂化。
  2. MAESTRO通过大型语言模型代理系统，能够自动执行金属有机框架的整个筛选流程，提升了材料发现的效率。
  3. 实验结果表明，MAESTRO能够识别出在湿烟气条件下的高性能材料，这些材料来自于不相关的研究，显示出其独特的发现能力。

📝 摘要（中文）

多尺度任务的协调是计算材料发现中的有效策略，但多样化算法和工具的重复应用使其变得复杂。本文报告了MAESTRO，一个能够执行金属有机框架（MOFs）整个筛选流程的大型语言模型（LLM）代理系统。该系统处理大量MOF文献，将相关出版物与其晶体结构关联，并将结果整理成计算准备数据库，随后通过逐步增加计算成本的策略进行筛选。所识别的在湿烟气条件下分离的有前景候选材料均来自不相关的研究。通过连接计算材料发现的异构阶段，MAESTRO的LLM代理能够跨应用领域操作，发现传统筛选方法不太可能考虑的高性能材料。

🔬 方法详解

问题定义：论文旨在解决计算材料发现中多尺度任务协调的复杂性，现有方法在处理多样化算法和工具时效率低下，难以有效整合信息。

核心思路：MAESTRO利用大型语言模型（LLM）作为代理，自动化整个金属有机框架（MOFs）的筛选流程，通过文献处理和数据库构建来提高材料发现的效率。

技术框架：MAESTRO的整体架构包括文献处理模块、晶体结构关联模块和计算准备数据库构建模块，最后通过逐步增加计算成本的策略进行筛选。

关键创新：MAESTRO的最大创新在于其能够连接计算材料发现的异构阶段，利用LLM代理跨越不同应用领域，发现传统方法难以识别的高性能材料。

关键设计：在设计中，MAESTRO采用了特定的文献处理算法和数据库构建策略，确保信息的准确性和可用性，同时在筛选过程中设置了逐步增加的计算成本，以优化候选材料的选择。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，MAESTRO成功识别出在湿烟气条件下的高性能材料，这些材料均来自不相关的研究，展示了其在材料发现中的独特优势。与传统筛选方法相比，MAESTRO在效率和发现能力上均有显著提升。

🎯 应用场景

该研究的潜在应用领域包括新材料的开发、环境工程和能源存储等。MAESTRO能够加速材料发现过程，降低研发成本，具有重要的实际价值和广泛的未来影响，尤其是在应对复杂材料需求时。

📄 摘要（原文）

The coordination of multi-scale tasks is an effective strategy for computational materials discovery, yet the repeated application of diverse algorithms and tools renders it challenging. We report MAESTRO, a large language model (LLM) agent system capable of executing the entire screening pipeline for metal-organic frameworks (MOFs). It processes a large body of MOF literature, links relevant publications to their crystal structures, and curates the results into a computation-ready database, which is then screened through a strategy of progressively increasing computational cost. The promising candidates identified for separation under wet flue gas conditions all originate from unrelated studies. By connecting the heterogeneous stages of computational materials discovery, the LLM-based agents of MAESTRO can operate across application domains and uncover high-performance materials that conventional screening approaches would be unlikely to consider.