A collaborative agent with two lightweight synergistic models for autonomous crystal materials research

📄 arXiv: 2604.11540v1 📥 PDF

作者: Tongyu Shi, Yutang Li, Zhanyuan Li, Qian Liu, Jie Zhou, Wenhe Xu, Yang Li, Dawei Dai, Rui He, Wenhua Zhou, Jiahong Wang, Xue-Feng Yu

分类: cs.AI

发布日期: 2026-04-13

💡 一句话要点

MatBrain：轻量级协同智能体加速晶体材料自主研究

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

关键词: 材料科学 自主研究 协同智能体 双模型架构 晶体材料 催化剂设计 轻量级模型

📋 核心要点

  1. 大型语言模型在材料科学的专业推理和工具协调方面存在不足，限制了其在该领域的应用。
  2. MatBrain采用双模型架构，将分析推理（Mat-R1）和工具执行（Mat-T1）解耦，实现协同工作。
  3. 实验表明，MatBrain在催化剂设计中，相比传统方法实现了约100倍的加速，并有效降低了硬件部署成本。

📝 摘要（中文）

现有的大语言模型需要数千亿参数，但在材料科学领域特定的推理和工具协调方面表现不佳。本文提出了MatBrain，一个轻量级的协同智能体系统，包含两个协同模型，专门用于晶体材料研究。MatBrain采用双模型架构：Mat-R1（300亿参数）作为分析模型，提供专家级的领域推理；Mat-T1（140亿参数）作为执行模型，协调基于工具的操作。熵分析证实，该架构通过解耦工具规划和分析推理的不同熵动态，解决了它们之间的冲突。凭借这种双模型架构和结构效率，MatBrain显著优于更大的通用模型，同时将硬件部署门槛降低了95%以上。MatBrain在结构生成、属性预测和合成规划任务中表现出多功能性。在催化剂设计应用中，MatBrain在48小时内生成了30,000个候选结构，并识别出38种有前景的材料，比传统方法加速了约100倍。这些结果证明了轻量级协同智能在提升材料研究能力方面的潜力。

🔬 方法详解

问题定义：现有的大型语言模型虽然参数众多，但在材料科学领域，尤其是在晶体材料研究中，面临着领域知识不足、难以进行专业推理和有效协调工具进行实验等问题。这些问题限制了它们在材料发现和设计中的应用，也带来了巨大的计算资源消耗。

核心思路：MatBrain的核心思路是采用轻量级的协同智能体系统，通过双模型架构将领域知识推理和工具执行解耦。一个模型（Mat-R1）专注于领域知识的分析和推理，另一个模型（Mat-T1）负责协调工具执行具体任务。这种分工合作的方式可以有效降低单个模型的复杂度，提高整体效率。

技术框架：MatBrain的整体架构包含两个主要模块：分析模型Mat-R1和执行模型Mat-T1。Mat-R1负责接收用户指令，进行领域知识推理，生成任务规划；Mat-T1根据Mat-R1的任务规划，协调各种工具（例如数据库查询、模拟软件等）执行具体操作，并将结果反馈给Mat-R1。两个模型通过协同工作，完成复杂的材料研究任务。

关键创新：MatBrain的关键创新在于其双模型协同架构，它有效解决了大型语言模型在领域知识推理和工具协调方面的冲突。通过将这两个任务解耦，MatBrain可以使用更轻量级的模型实现更好的性能，并显著降低硬件部署成本。此外，论文还通过熵分析验证了双模型架构的有效性。

关键设计：Mat-R1是一个300亿参数的模型，专注于领域知识推理；Mat-T1是一个140亿参数的模型，专注于工具执行。论文中没有详细说明具体的网络结构和损失函数，但强调了模型的轻量化设计，以及通过协同工作实现整体性能的提升。熵分析被用于评估和验证双模型架构的有效性，具体方法未知。

📊 实验亮点

MatBrain在催化剂设计任务中表现出色，在48小时内生成了30,000个候选结构，并识别出38种有前景的材料。与传统方法相比，MatBrain实现了约100倍的加速。此外，MatBrain的硬件部署成本降低了95%以上，使其更易于部署和应用。

🎯 应用场景

MatBrain在材料科学领域具有广泛的应用前景，可用于新材料的发现、材料性能预测、合成路线规划、催化剂设计等。该研究成果有助于加速材料研发进程，降低研发成本，并为材料科学的自动化和智能化提供新的解决方案。未来，MatBrain有望应用于更多领域，例如药物发现、化学工程等。

📄 摘要（原文）

Current large language models require hundreds of billions of parameters yet struggle with domain-specific reasoning and tool coordination in materials science. Here, we present MatBrain, a lightweight collaborative agent system with two synergistic models specialization for crystal materials research. MatBrain employs a dual-model architecture: Mat-R1 (30B parameters) as the analytical model providing expert-level domain reasoning, and Mat-T1 (14B parameters) as the executive model orchestrating tool-based actions. Entropy analysis confirms that this architecture resolves the conflict between tool planning and analytical reasoning by decoupling their distinct entropy dynamics. Enabled by this dual-model architecture and structural efficiency, MatBrain significantly outperforms larger general-purpose models while reducing the hardware deployment barrier by over 95%. MatBrain exhibits versatility across structure generation, property prediction, and synthesis planning tasks. Applied to catalyst design, MatBrain generated 30,000 candidate structures and identified 38 promising materials within 48 hours, achieving approximately 100-fold acceleration over traditional approaches. These results demonstrate the potential of lightweight collaborative intelligence for advancing materials research capabilities.