材料科学智能体MatOS正式开源,集成48款计算软件,固态电解质筛选效率提升百倍

北京中关村学院与中关村人工智能研究院联合发布开源科研智能体系统MatOS,通过分层科学资产图、有状态工作流与证据驱动进化机制,支持端到端材料研发。系统已集成48款材料计算软件,完成3000万结构中筛选...

人工智能 阅读量: 2256

北京中关村学院与中关村人工智能研究院(合称“中关村两院”)近日正式开源材料科学智能体系统MatOS。该系统旨在解决当前科研智能体在材料领域难以独立完成完整研究闭环的瓶颈问题,其核心能力在于将数据、知识、工具、技能、角色与工作流统一建模为可复用、可演化的“科学资产”,并依托有状态工作流实现长周期任务执行与经验沉淀。

传统大模型智能体虽能检索文献、调用单一软件或协同自动化实验设备,但在面对真实材料研发任务时仍显乏力:一项典型研究可能需从数千万候选结构中逐级筛选,或在数百种合金配方间反复迭代,持续数天甚至数周;每次接入新数据库或计算工具,往往需重建整个流程;而研究过程中积累的策略性经验(如采样节奏、收敛判断阈值)极少被结构化保存,难以复用于后续项目。

MatOS的应对思路是构建一个“可进化的科研操作系统”。其整体架构由三大模块构成:分层科学资产图、有状态自适应工作流与证据驱动的资产进化。其中,科学资产被细分为六类——数据集、知识库、工具接口、技能规程、专家角色与工作流模板,每项资产均具备唯一标识、依赖声明与来源追溯能力。例如,“技能”并非简单指令集,而是定义了某类问题的标准操作路径:何时启动、如何选择方法、前提条件、执行步骤及结果验证标准;“角色”则是由职责说明与可调用资产共同定义的专家型子智能体,可跨任务复用。

在执行层面,MatOS采用“有状态工作流”机制。当接收到一项研究任务(如“设计高离子电导率固态电解质”),系统会基于资产图自动组合所需能力,生成一个包含多个阶段(文献调研→结构生成→DFT计算→性能评估→迭代优化)的执行图。该图在运行中持续保存中间结果、参数配置与决策依据,并允许根据反馈动态调整路径——例如某轮计算发现某类晶格畸变显著降低迁移能垒,则后续步骤可自动强化该方向采样。

文章配图

更关键的是其“证据驱动的资产进化”机制。系统将每一次成功执行中的有效策略(如特定温度区间下MD模拟的步长设置、某类合金体系熔点预测的特征工程方式)提炼为待审资产修订提案,经人工或半自动审查后纳入主资产库。这意味着科研能力不再一次性构建,而是在使用中持续增长。目前,MatOS资产库已包含3,135个数据集、386项技能、104个工作流与51个专家角色,并集成48款主流材料计算软件,覆盖VASP、CP2K、LAMMPS、ABACUS等核心工具。

在实测表现上,MatOS在多项基准与案例中展现出显著优势。在端到端自主科研基准ResearchClawBench中,其平均得分较同底座模型的Codex CLI高出33.6%,其中材料专项任务领先达80.8%;在材料软件调用基准MatTools中,完整问题成功率高达97.96%,为参与对比的三款系统(Codex CLI、Claude Code、MatOS)最高。

MatOS三大核心机制详解:左侧为分层资产图,中部为有状态工作流执行与适应过程,右侧为证据驱动的资产修订与进化路径

具体应用案例包括:构建层次化筛选流程,从超3000万个候选晶体结构中高效锁定97个具备高理论离子电导率的固态电解质候选物;支持开发新型合金熔点预测模型DuoCompNet,在固定测试集上平均绝对误差降至3.18°C,较次优模型降低13.6%;此外还完成了高熵合金成分优化、二维材料带隙预测等多项任务。

MatOS的开源发布正值科研智能体向“自主研究者”演进的关键节点。此前,ChemCrow、LLaMP等系统实现了工具调用,MARS等则连接了自动化实验平台,但多数仍聚焦于单点任务响应。MatOS则试图打通“问题定义→方案设计→执行→验证→知识沉淀”的全链条,其设计哲学更接近操作系统内核——不替代科学家,而是为其提供可扩展、可传承的科研基础设施。

MatOS执行图与适应机制细节:展示任务分解、后端调用(HPC/GPU/云)、循环决策及资产修订触发逻辑

值得注意的是,MatOS并非孤立存在。同期,英伟达也推出面向科学发现的Nemotron for Science,提供开放化学模型、LitmusBench数据集及后训练配方,支持构建专用科学智能体。Lila Sciences、Terray Therapeutics等机构已将其用于量子点合成规划与mRNA疗法设计,验证了“基础模型+领域适配+工作流集成”路径的可行性。两者路径不同:Nemotron侧重模型层优化与垂直场景微调,MatOS则聚焦系统层架构与资产治理,二者在长期或形成互补——前者提供更强推理能力,后者提供更稳健执行框架。

开源地址已公布于GitHub,技术报告发表于arXiv。项目团队表示,未来将进一步扩充资产库覆盖范围(如新增机器学习势函数、原位表征数据接口),并探索与自动化实验平台(如 robotic labs)的深度协同。对于材料科研人员而言,MatOS的价值不仅在于提升单次任务效率,更在于逐步构建一个可积累、可共享、可进化的数字科研基座——当97个固态电解质候选能从3000万结构中被精准捕获,背后是系统对“如何有效筛选”的认知已被编码为可复用的资产,而非仅存于某篇论文的附录里。