GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery
作者: Yazhuo Liu, Kunqing Ding, Xiaoguo Gong, Zifeng Wang, Yichen Yang, Yifeng Che, Wen Chen, Josh Kacher, Olivier Pierron, Shigenobu Ogata, Ting Zhu
分类: cond-mat.mtrl-sci, cond-mat.mes-hall, cs.AI, cs.MA
发布日期: 2026-10-20
💡 一句话要点
提出GBClaw框架以解决晶界研究中的复杂性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 代理人工智能 晶界研究 材料发现 大型语言模型 模块化架构 高通量计算 变形机制 缺陷层次
📋 核心要点
- 现有方法在晶界研究中面临结构复杂性和实验建模不足的挑战，限制了对材料界面的深入理解。
- GBClaw框架通过集成大型语言模型和模块化设计，动态优化工作流程，连接仿真与机制分析。
- 在镍的14种非对称倾斜晶界中，GBClaw成功识别了多种变形模式，并揭示了缺陷层次对滑移阻力的关键作用。
📝 摘要（中文）
代理人工智能（AI）系统在材料发现和设计的复杂工作流程自动化中具有巨大潜力，但将其扩展到领域密集的机制研究仍然面临挑战。本文提出了GBClaw，一个用于研究一般晶界（GBs）结构和变形的代理AI框架。尽管一般晶界在多晶材料中占据绝大多数，但由于其结构复杂性和界面不匹配，实验和建模研究仍然不足。GBClaw将大型语言模型（LLMs）集成到一个模块化架构中，包含调度器、专门代理、领域特定工具、仿真接口和分层记忆。通过动态重规划和迭代工作流程优化，该框架有效地将系统仿真与针对性的机制分析连接起来。应用于14种镍的非对称倾斜晶界，GBClaw表征了界面缺陷结构，并识别了这些不相容边界的多样变形模式。
🔬 方法详解
问题定义：论文要解决的具体问题是如何有效研究复杂的晶界结构及其变形机制。现有方法在处理多晶材料中的一般晶界时，因其结构复杂性和实验建模的不足而面临挑战。
核心思路：论文的核心解决思路是构建一个集成了大型语言模型的代理AI框架，通过模块化设计和动态优化，提升对晶界的研究效率和深度。这样的设计旨在将高通量计算筛选与深层物理理解相结合。
技术框架：GBClaw的整体架构包括调度器、专门代理、领域特定工具、仿真接口和分层记忆等主要模块。通过这些模块的协同工作，框架能够实现系统仿真与机制分析的有效连接。
关键创新：最重要的技术创新点在于将代理AI与领域专业知识相结合，形成一个动态重规划和迭代优化的工作流程。这一方法与现有技术的本质区别在于其能够在复杂材料界面研究中实现更高的自动化和智能化。
关键设计：在关键设计方面，GBClaw采用了分层记忆结构以存储和管理不同层次的信息，同时在参数设置和损失函数上进行了优化，以确保模型在处理复杂晶界时的准确性和效率。具体的网络结构和参数设置细节在论文中有详细描述。
🖼️ 关键图片
📊 实验亮点
在实验中，GBClaw成功应用于14种镍的非对称倾斜晶界，识别了多种变形模式，并通过对比边界滑移与次级晶界错位的影响，揭示了显著的剪切强度差异，强调了缺陷层次在滑移阻力中的关键作用。
🎯 应用场景
该研究的潜在应用领域包括材料科学、纳米技术和工程设计等。GBClaw框架能够加速新材料的发现与设计，提升对复杂材料界面的理解，具有重要的实际价值和未来影响。
📄 摘要（原文）
Agentic artificial intelligence (AI) systems hold immense potential for automating complex workflows in materials discovery and design, but extending them to domain-intensive mechanistic investigations remains challenging. Here, we present GBClaw, an agentic AI framework for investigating the structure and deformation of general grain boundaries (GBs). Although general GBs constitute the vast majority of real-world interfaces in polycrystalline materials, they remain understudied because their structural complexity and interfacial mismatch complicate experimental and modeling research. GBClaw integrates large language models (LLMs) into a modular architecture comprising an orchestrator, specialized agents, domain-specific tools, simulation interfaces, and hierarchical memory. Through dynamic replanning and iterative workflow refinement, the framework effectively connects systematic simulations with targeted mechanistic analysis. Applied to 14 general asymmetric tilt GBs in nickel, GBClaw characterized interfacial defect structures and identified diverse deformation modes across these incommensurate boundaries. Comparing boundary sliding with and without secondary GB misfit dislocations revealed substantial differences in shear strength, underscoring the critical role of defect hierarchies in sliding resistance. Furthermore, researcher-guided follow-up calculations traced an anomalously high shear resistance to metastable boundary structures. This work demonstrates that combining agentic AI with domain expertise bridges high-throughput computational screening with deep physical understanding of complex material interfaces.