MIND: AI Co-Scientist for Material Research

📄 arXiv: 2604.13699v1 📥 PDF

作者: Geonhee Ahn, Donghyun Lee, Hayoung Doo, Jonggeol Na, Hyunsoo Cho, Sookyung Kim

分类: cs.MA, cs.AI, cs.CE

发布日期: 2026-04-15

备注: 4 pages, 3 figures. Under review for ECML PKDD 2026 Demonstration Track. Code available at https://github.com/IMMS-Ewha/MIND . Demo video available at https://youtu.be/lqiFe1OQzN4

🔗 代码/项目: GITHUB

💡 一句话要点

提出MIND：一个基于LLM的材料研究AI协同科学家框架

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

关键词: 材料研究 大型语言模型 自动化实验 机器学习原子间势 AI协同科学家

📋 核心要点

  1. 现有科学发现AI系统主要依赖文本推理，缺乏自动化实验验证，限制了其应用。
  2. MIND框架利用LLM驱动的多智能体流程，实现假设细化、实验和辩论验证的自动化。
  3. 系统集成了机器学习原子间势SevenNet-Omni，支持可扩展的计算机模拟实验，并提供Web界面。

📝 摘要（中文）

大型语言模型(LLMs)已经实现了用于科学发现的智能AI系统，但大多数方法仍然局限于基于文本的推理，缺乏自动化的实验验证。我们提出了MIND，一个由LLM驱动的框架，用于材料研究中的自动化假设验证。MIND将科学发现过程组织成假设细化、实验和基于辩论的验证，并在一个多智能体管道中进行。为了进行实验验证，该系统集成了机器学习原子间势，特别是SevenNet-Omni，从而实现了可扩展的计算机模拟实验。我们还提供了一个基于Web的用户界面，用于自动假设测试。模块化设计允许集成额外的实验模块，使该框架能够适应更广泛的科学工作流程。代码可在https://github.com/IMMS-Ewha/MIND 获取，演示视频可在https://youtu.be/lqiFe1OQzN4 观看。

🔬 方法详解

问题定义：当前材料研究领域，AI辅助科学发现主要依赖于对已有文献的文本分析和推理，缺乏与实验环节的有效结合。这导致AI系统难以独立验证假设，限制了其在材料设计和发现中的应用潜力。现有方法难以自动化地进行大规模的材料性质预测和筛选。

核心思路：MIND的核心思路是将LLM的推理能力与自动化实验相结合，构建一个闭环的科学发现流程。通过LLM进行假设生成和细化，然后利用机器学习原子间势进行计算机模拟实验验证，最后通过智能体间的辩论来评估假设的有效性。这种设计旨在弥补现有方法中实验验证环节的缺失。

技术框架：MIND框架包含以下主要模块：1) 假设细化模块：利用LLM生成和改进材料研究的假设。2) 实验模块：集成了机器学习原子间势（如SevenNet-Omni），用于进行计算机模拟实验。3) 辩论验证模块：多个智能体基于实验结果进行辩论，评估假设的有效性。4) 用户界面：提供Web界面，方便用户进行假设测试和结果分析。整个流程是一个迭代循环，不断优化假设。

关键创新：MIND的关键创新在于将LLM的文本推理能力与自动化实验验证相结合，构建了一个完整的AI协同科学发现流程。与传统方法相比，MIND能够自动化地进行假设验证，减少了人工干预，提高了研究效率。此外，多智能体辩论机制也增强了假设评估的客观性和可靠性。

关键设计：MIND框架的关键设计包括：1) LLM的选择和prompt工程，用于生成高质量的假设。2) 机器学习原子间势的选择和集成，以保证实验的准确性和效率。3) 多智能体辩论机制的设计，包括智能体的角色分配、辩论规则和评估指标。4) Web用户界面的设计，方便用户进行交互和结果可视化。具体参数设置和损失函数等细节未在摘要中提及，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

摘要中未提供具体的实验数据或性能指标。但提到集成了SevenNet-Omni，表明该系统具备进行大规模材料模拟的能力。通过Web界面进行自动假设测试，展示了系统的易用性和自动化程度。具体的性能提升幅度属于未知信息。

🎯 应用场景

MIND框架可应用于新材料的发现与设计、材料性质预测、材料合成工艺优化等领域。通过自动化假设验证，加速材料研究进程，降低研发成本。未来可扩展到其他科学领域，如化学、生物学等，促进跨学科研究与合作。

📄 摘要（原文）

Large language models (LLMs) have enabled agentic AI systems for scientific discovery, but most approaches remain limited to textbased reasoning without automated experimental verification. We propose MIND, an LLM-driven framework for automated hypothesis validation in materials research. MIND organizes the scientific discovery process into hypothesis refinement, experimentation, and debate-based validation within a multi-agent pipeline. For experimental verification, the system integrates Machine Learning Interatomic Potentials, particularly SevenNet-Omni, enabling scalable in-silico experiments. We also provide a web-based user interface for automated hypothesis testing. The modular design allows additional experimental modules to be integrated, making the framework adaptable to broader scientific workflows. The code is available at: https://github.com/IMMS-Ewha/MIND, and a demonstration video at: https://youtu.be/lqiFe1OQzN4.