标签
本文介绍了URSA框架中的一个基于智能体的系统，该系统可自主设计、执行并验证使用LAMMPS进行的原子模拟，从而减少人工干预并提高可重复性。
本文介绍了AlphaAgent，一个面向证据感知材料文献分析的技能驱动智能体框架，该框架将基于检索的问答与报告生成解耦，并在40个材料科学问题上优于基线系统。
芝加哥大学的研究人员及其合作者开发了一种更清洁的稀土元素分离方法，该方法利用层状锰氧化物中的电化学插层，避免了有毒溶剂的使用。该研究发表在《自然·化学工程》上。
研究人员开发了一种小分子胶水CyclicFP-fmoc，通过氟-氟相互作用强力粘附在不粘的特氟龙表面，并且可以用乙醇轻松去除，从而实现回收和再利用。该胶粘剂具有高强度和延展性，性能优于商业环氧树脂，且用乙醇清洗后不留残留物。
本文表明，在开源权重的Gemma模型中，可以通过隐藏状态分析、因果干预和反事实基准来识别和控制材料科学机制，揭示了物理关系在状态变换中比在绝对状态中更为明显。
先进材料通过解决半导体制造和数据中心基础设施中的性能挑战，对于实现下一代AI至关重要。文章强调了聚合物、流体和热管理方面的材料创新如何支撑日益强大的AI系统的物理需求。
金属有机框架（MOFs）是一类革命性的多孔晶体固体，在碳捕获、从沙漠空气中收集水分以及药物输送方面具有应用前景。本文重点介绍了伯克利化学家奥马尔·亚吉的工作，以及MOFs在应对环境和能源挑战方面的潜力。
提出了一种新颖的多级图提示学习框架用于晶体性质预测，通过节点级和图级的软提示捕捉局部化学语义和全局结构对称性，将最先进的GNN性能提升3%-15%，并实现跨性质知识迁移。
本文介绍了面向LLM代理的假设演化协议（HEP），该协议使假设生成、测试和信念更新变得明确且可审计。在材料科学任务上的实验表明，配备HEP的代理能够泛化到不同研究问题，并且随着基础LLM能力的增强而变得更有效。
研究人员发现，简单的非弹性液体在拉伸应力下会发生脆性断裂，这与先前认为弹性是这种行为必要条件的假设相矛盾。
Atomscale认为，材料创新面临的瓶颈在于规模化而非发现，并以半导体制造为例，说明将材料从实验室推向生产阶段的挑战。
研究人员开发了一种新方法，通过在较低温度下控制原子排列来制造'超级合金'，从而产生一种强度是钢的两倍、铝的三倍的金属，可能改变金属制造业。
达摩院（阿里巴巴）推出Elements Claw，这是一个通过筛选数百万晶体结构发现四种新型超导材料的AI智能体，有望加速材料研究。
Google Cloud 将提供 SandboxAQ 的大型定量模型（基于科学方程和实验室数据训练），用于药物研发、材料科学和半导体制造，同时提供 Gemini for Science 工具以加速研究工作流程。
介绍了MatMMExtract流程，用于将复合科学图形分解为子图并使用LLM进行标注，创建了MatSciFig数据集，包含超过390,000个图像-文本对，用于材料科学中的视觉语言学习。
纳米技术分子优化（NMO）基准引入了基于物理的分子设计任务，取代了以药物发现为中心的指标，旨在推动纳米技术领域的科学发现。论文显示，先进方法在NMO上的表现不如更简单的方法，并提出了新的基准方法，包括一种新颖的表示方法和领域无关的预训练。
本文介绍了一种原子语言模型，它集成了3D原子编码器、Qwen大语言模型和扩散晶体生成器，原生处理多模态材料数据，实现了最先进的晶体结构预测和从头生成。
NVIDIA宣布推出新的AI软件库和微服务——DAQIRI、ALCHEMI和cuPhoton——大幅加速天文学、材料科学和粒子物理等领域的科学计算任务，相比基于CPU的流水线可实现高达14,900倍的加速。
麻省理工学院的研究人员开发了一种基于机器学习的方法，能够准确模拟金属合金的行为，无论其化学复杂性如何，从而实现更快、更便宜的材料创新。