ИИ ищет материалы как шеф-повар экспресс
Поиск нового материала похож на готовку без рецепта: пробуешь, пробуешь, и часто выбрасываешь. Раньше учёные вручную листали статьи и по одному проверяли составы. Теперь появился «робот-повар», который сам читает литературу, смешивает компоненты и смотрит, что вышло.
Робот не просто повторяет чужие рецепты. После каждой попытки он запоминает, что получилось хорошо, а что плохо, и в следующий раз пробует уже более удачный вариант. В испытаниях такой подход с самого начала давал больше хороших образцов, чем случайный перебор.
Теперь поиск материалов превращается из угадывания в обучение: система с каждой попыткой становится умнее. Это путь к полностью автоматическим лабораториям, где новые материалы для электроники и солнечных батарей будут открываться за дни, а не за годы.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2608.15928v1
Most computationally predicted materials are never synthesized because conventional synthesis optimization is slow, expertise-dependent, and iterative. Here we present a closed-loop framework that automates this expert workflow by placing human tacit knowledge in the loop through a large language model (LLM) that distills synthesis knowledge from the literature, high-throughput hyperspectral imaging for rapid film evaluation, and multi-objective Bayesian optimization guided by experimental feedback. In a paired optimization campaign, LLM-assisted initialization produced more Pareto-optimal samples and higher hypervolume than a Latin hypercube sampling baseline at matched trial counts, and this advantage persisted throughout iterative optimization. We demonstrate the framework by synthesizing the previously unreported perovskite-inspired compound Rb3BiI6 as thin films and validating the optimized films by optical bandgap analysis and X-ray diffraction. The framework transforms synthesis prediction from single-shot recommendation to iterative learning, providing a generalizable strategy to accelerate automated and fully autonomous experimental materials discovery.
Языковая модель читает статьи как опытный химик: она выхватывает из текста рецепты синтеза, о которых сами авторы могли упомянуть лишь вскользь.