Hypothesis-Driven Autonomous Materials Synthesis with Multimodal LLM Agents
作者: Izumi Takahara, Kazunori Nishio, Akira Aiba, Shigeru Kobayashi, Takao Nakajima, Taro Hitosugi, Teruyasu Mizoguchi
分类: cond-mat.mtrl-sci, cs.AI
发布日期: 2026-09-16
💡 一句话要点
提出SynAgent框架以解决自驱动实验室决策透明性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自驱动实验室 材料合成 大型语言模型 多模态推理 验证-否定机制 实验透明性 自动化系统
📋 核心要点
- 现有自驱动实验室的决策过程往往缺乏透明性，导致成功原因无法明确分析。
- SynAgent框架通过大型语言模型代理，动态生成分析技能并进行多模态推理，提升合成过程的理解。
- 在LiCoO2薄膜沉积实验中，SynAgent成功合成高质量薄膜，并发现了温度对结晶的关键影响。
📝 摘要（中文）
自驱动实验室能够自主探索合成条件，但其决策层通常是黑箱优化器，输出为一组优化样本，成功原因未被明确阐述。本文提出了SynAgent框架，利用大型语言模型代理操作自动化实验系统，并保持对合成过程的明确、可修订理解。SynAgent自适应生成分析技能，通过多模态推理演进理解，采用验证-否定机制挑战自身假设。在以LiCoO2薄膜沉积为测试平台的18次自主实验中，SynAgent合成了高度结晶的薄膜，并发现基底温度对结晶的影响，揭示了650-690°C的狭窄最佳生长窗口。这些结果将自主实验扩展到可测试的人类可读理解。
🔬 方法详解
问题定义：本文旨在解决自驱动实验室中决策过程的黑箱特性，现有方法无法明确分析成功的原因，限制了实验的可解释性和可重复性。
核心思路：SynAgent框架通过大型语言模型代理，动态生成分析技能并对实验数据进行多模态推理，形成对合成过程的可修订理解。该设计使得实验过程不仅限于优化样本，还能提供可测试的理解。
技术框架：SynAgent的整体架构包括数据采集、分析技能生成和多模态推理模块。首先，系统自动收集实验数据，然后生成相应的分析技能，最后通过推理模块对数据进行综合分析。
关键创新：最重要的创新在于引入了验证-否定机制，代理不仅测试成功的条件，还主动挑战自身假设，测试可能失败的条件，从而提升理解的深度和广度。
关键设计：在参数设置上，SynAgent采用了动态生成的分析技能，损失函数设计为能够适应多模态数据的特性，网络结构则结合了语言模型与图像处理模块，以实现更全面的实验数据分析。
🖼️ 关键图片
📊 实验亮点
在以LiCoO2薄膜沉积为测试平台的18次自主实验中，SynAgent成功合成了高度结晶的薄膜，发现了650-690°C的狭窄最佳生长窗口。这一发现显著提升了对温度对结晶影响的理解，超越了传统优化方法的局限。
🎯 应用场景
该研究的潜在应用领域包括材料科学、化学合成和自动化实验室等。通过提升实验的透明性和可解释性，SynAgent能够加速新材料的发现与优化，推动科学研究的进步。未来，类似的框架可能会在其他领域的自主实验中得到应用，促进跨学科的研究合作。
📄 摘要（原文）
Self-driving laboratories can explore synthesis conditions autonomously, but their decision-making layer is typically a black-box optimizer, and the output is a set of optimized samples, with the measurements reduced to predefined scalar objectives and the reasons behind success left unarticulated. Here we present SynAgent, a framework in which large language model agents operate an automated experimental system and maintain an explicit, revisable understanding of the synthesis process as the campaign's primary output. Starting with no predefined analysis pipeline, SynAgent adaptively generates analysis skills for newly acquired data and evolves this understanding through multimodal reasoning over experimental data such as X-ray diffraction patterns and electron micrographs. The evolution is guided by a verify-falsify scheme, in which the agent deliberately challenges its own hypotheses by testing conditions predicted to fail as well as those predicted to succeed. In a single campaign of 18 autonomous experiments using LiCoO2 (001) thin-film deposition as a testbed, SynAgent synthesized highly crystalline films and evolved an understanding of how the substrate temperature governs crystallization, discovering an abrupt threshold and a narrow optimal growth window at 650-690 °C. These results extend autonomous experimentation beyond optimized samples to testable, human-readable understanding.