材料科学智能体MatOS正式开源!大幅提高材料研发任务成功率 思邈 2026-11-17 14:09:40 来源: 量子位 筛材料、找配方、开发新模型…拿下多项科研任务 允中 发自 凹非寺 量子位 | 公众号QbitAI 大模型智能体已经能够检索文献、调用模拟软件,甚至与自动化实验室协同工作。
但要让它们独立完成一项完整的材料研究,仍然面临挑战: 一项研究可能要从数千万个候选结构中逐级筛选,或在数百个合金配方中反复搜索,持续数天,并根据中间结果不断调整计划;每接入一个新的数据库或软件,往往要重新搭建流程;一项研究中积累的经验,也很难被其他研究复用。为此, 北京中关村学院、中关村人工智能研究院(中关村两院) 于今年九月发布年度科研进展—— MatOS,一个面向材料研发的科研智能体系统 。
该项目由中关村两院AI材料研究所团队构建,将数据、知识、工具、技能、角色和工作流统一组织为科学资产, 支持研究者和MatOS自身在已有资产之上构建新能力 ,通过有状态工作流执行研究任务,并将经过检查与审查的资产修订用于后续研究,使科研能力在使用中持续进化。目前,MatOS的资产库已包含3,135个数据集、386项技能、104个工作流和51个专家角色,并集成48款材料计算软件;技术报告已在arXiv发布,代码已在GitHub开源。
在3项智能体基准和8个研究案例中,MatOS完成了从端到端自主研究、工具调用到大规模筛选、配方设计和新方法开发的多类任务,例如: 在端到端自主科研基准ResearchClawBench上,与采用相同底座模型的Codex CLI相比,平均得分高33.6%,材料任务高80.8%; 在材料软件使用基准MatTools上,与Codex CLI、Claude Code采用相同的底座模型时,完整问题成功率达到 97.96% ,为三者最高; 构建层次化筛选流程,从3000多万个候选结构中筛选出 97个 固态电解质候选; 支持开发合金熔点预测模型DuoCompNet,在固定测试集上的平均绝对误差降至 3.18°C ,比次优模型低13.6%。从回答问题到开展研究,再到持续产出高质量科学资产 近年来,ChemCrow、LLaMP等工作让大模型能够调用专业工具,MARS等系统将智能体与自动化实验连接起来,科研智能体正在从回答问题走向开展研究。
材料研究对智能体系统提出了三方面要求: 数据库、模拟软件和机器学习势(用机器学习模型近似原子间作用力、加速模拟的方法)不断出现,要求系统无需重建即可接入新能力; 研究跨越文献分析、计算和实验,要求系统能够在长周期任务中保存状态、检查结果; 模拟时长、采样策略等经验大多来自实践,系统要能存储这些经验,并在后续任务中有效复用。 MatOS以三大设计回应这些要求: 分层科学资产图组织并扩展研发能力,有状态自适应工作流调用资产执行任务并保存证据,证据驱动的资产进化将可复用的经验转化为经过检查与审查的资产修订 。
MatOS整体架构:分层科学资产图、有状态的自适应工作流和证据驱动的资产进化。