通过大型语言模型实现具有合成感知能力的材料重新设计

《Journal of the American Chemical Society》：Synthesis-Aware Materials Redesign via Large Language Models

该研究提出一种基于大语言模型的新框架，通过可逆结构表示和迭代微调策略，将合成不可行的无机晶体结构转化为可行方案，并验证34种材料在文献中的实验成功案例，有效填补材料设计到合成的关键鸿沟。

　　

我们提出了一个新颖的框架，该框架利用大型语言模型（LLMs）将合成上不可行的无机晶体结构转化为合成上可行的结构。与以往主要关注合成可能性预测的研究不同，我们的方法为将无法合成的材料重新设计为可合成材料提供了切实可行的解决方案。通过整合一种可逆的结构表示方法和迭代微调策略，我们的框架不仅能够预测材料的合成可行性，还能将无法合成的材料修改为可行的候选结构。结果表明，LLMs能够有效改进各种类型的材料，提高其合成成功率。作为间接的实验验证，我们发现，在经过重新设计后（但原本无法合成）的100种材料中，有34种确实已在文献中被实验验证存在。这种方法填补了材料科学中设计与合成之间的关键空白，并通过运用LLMs中的“学习-再生”策略，实现了实验上可实现的化合物的发现。