METASYMBO: Multi-Agent Language-Guided Metamaterial Discovery via Symbolic Latent Evolution
作者: Jianpeng Chen, Wangzhi Zhan, Dongqi Fu, Junkai Zhang, Zian Jia, Ling Li, Wei Wang, Dawei Zhou
分类: cs.AI
发布日期: 2026-04-30
💡 一句话要点
提出MetaSymbO，通过符号驱动的潜在演化实现语言引导的多智能体超材料发现。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 超材料设计 逆向设计 多智能体系统 语言引导 潜在空间演化
📋 核心要点
- 现有超材料逆向设计方法依赖明确的数值目标，难以处理早期探索阶段的模糊语言意图。
- MetaSymbO通过多智能体框架，结合语言模型和符号驱动的潜在演化，实现语言引导的超材料设计。
- 实验表明，MetaSymbO在结构有效性、语言引导分数和结构新颖性方面均优于现有方法。
📝 摘要（中文）
超材料发现旨在寻找具有特定几何结构并能产生目标力学行为的微结构材料。现有的逆向设计方法可以高效生成候选结构，但通常需要明确的数值属性目标，不太适合早期探索，因为研究人员通常从不完整的约束和自然语言表达的定性意图开始。大型语言模型可以理解这些意图，但缺乏几何感知和物理属性有效性。为了解决这个问题，我们提出了MetaSymbO，一个通过符号驱动的潜在演化实现语言引导的超材料发现的多智能体框架。具体来说，MetaSymbO包含三个智能体：一个设计师，解释自由形式的设计意图并检索语义一致的支架；一个生成器，在解耦的潜在空间中合成候选微结构；以及一个监督器，为迭代细化提供快速的属性感知反馈。为了超越从文献和训练数据中复制已知样本的局限性，我们进一步引入了符号驱动的潜在演化，它在推理时应用可编程算子于解耦的潜在因子，以组合、修改和细化结构。大量实验表明，(i) 与最先进的基线相比，MetaSymbO在对称性方面将结构有效性提高了34%，在周期性方面提高了近98%；(ii) 与先进的推理LLM相比，MetaSymbO实现了约6-7%的更高语言引导分数，同时保持了卓越的结构新颖性；(iii) 定性分析证实了符号逻辑算子在实现可编程语义对齐方面的有效性；(iv) 关于负泊松比、高刚度超材料设计的真实案例研究进一步验证了其在实际应用中的能力。
🔬 方法详解
问题定义：现有超材料逆向设计方法主要依赖于明确的数值属性目标，这限制了它们在早期探索阶段的应用，因为研究人员通常只有一些定性的设计意图，例如用自然语言描述的期望性能。此外，大型语言模型虽然可以理解自然语言，但缺乏对几何结构和物理属性的有效性约束，导致生成的设计不合理。
核心思路：MetaSymbO的核心思路是结合大型语言模型的语义理解能力和生成模型的结构生成能力，并通过符号驱动的潜在演化来增强结构的有效性和新颖性。通过多智能体协作，将语言意图转化为可实现的超材料结构。
技术框架：MetaSymbO包含三个主要智能体： 1. 设计师 (Designer)：负责解析自然语言设计意图，并检索语义相关的结构支架。 2. 生成器 (Generator)：在解耦的潜在空间中合成候选微结构。 3. 监督器 (Supervisor)：提供快速的属性感知反馈，用于迭代优化生成结构。 此外，还引入了符号驱动的潜在演化机制，用于在推理时通过可编程算子对潜在因子进行操作，从而组合、修改和细化结构。
关键创新：MetaSymbO的关键创新在于符号驱动的潜在演化。它允许在潜在空间中对结构进行可编程的修改和组合，从而超越了简单地从训练数据中复制已知结构的局限性。这种方法能够生成具有更高新颖性和有效性的超材料结构。
关键设计： 1. 解耦潜在空间：生成器使用解耦的潜在空间，使得对潜在因子的操作能够对应于对结构的特定属性的修改。 2. 符号逻辑算子：定义了一系列符号逻辑算子，用于在潜在空间中进行结构的组合、对称性增强、周期性调整等操作。 3. 多智能体协作：三个智能体通过协同工作，共同优化生成结构的质量和符合语言意图的程度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，MetaSymbO在结构有效性方面显著优于现有方法，在对称性和周期性方面分别提高了34%和98%。同时，MetaSymbO在语言引导分数方面也比先进的推理LLM高出6-7%，并且保持了更好的结构新颖性。真实案例研究验证了MetaSymbO在设计负泊松比和高刚度超材料方面的实际能力。
🎯 应用场景
MetaSymbO可应用于各种超材料设计场景，例如负泊松比材料、高刚度材料等。该方法能够加速新材料的发现过程，并降低对专业知识的依赖，使得研究人员能够更高效地探索具有特定性能的超材料结构。未来，该方法有望应用于航空航天、生物医学工程等领域。
📄 摘要（原文）
Metamaterial discovery seeks microstructured materials whose geometry induces targeted mechanical behavior. Existing inverse-design methods can efficiently generate candidates, but they typically require explicit numerical property targets and are less suitable for early-stage exploration, where researchers often begin with incomplete constraints and qualitative intents expressed in natural language. Large language models can interpret such intents, but they lack geometric awareness and physical property validity. To address this gap, we propose MetaSymbO, a multi-agent framework for language-guided Metamaterial discovery via Symbolic-driven latent evOlution. Specifically, MetaSymbO contains three agents: a Designer that interprets free-form design intents and retrieves a semantically consistent scaffold, a Generator that synthesizes candidate microstructures in a disentangled latent space, and a Supervisor that provides fast property-aware feedback for iterative refinement. To move beyond the limitations of reproducing known samples from literature and training data, we further introduce symbolic-driven latent evolution, which applies programmable operators over disentangled latent factors to compose, modify, and refine structures at inference time. Extensive experiments demonstrate that (i) MetaSymbO improves structural validity by up to 34% in symmetry and nearly 98% in periodicity compared to state-of-the-art baselines; (ii) MetaSymbO achieves about 6-7% higher language-guidance scores while maintaining superior structure novelty compared to advanced reasoning LLMs; (iii) qualitative analyses confirm the effectiveness of symbolic logic operators in enabling programmable semantic alignment; and (iv) realworld case studies on auxetic, high-stiffness metamaterial design further validate its practical capability.