新型人工智能框架加速拓扑材料发现

发布时间：2026-08-18来源：中国科学报

本报讯（记者王敏）安徽大学特任教授Arif Ullah与合作者提出新型机器学习框架TXL Fusion，将大语言模型与物理、化学描述符深度融合，实现了对拓扑材料的高效识别，并为发现传统方法难以判定的新型候选材料提供了新途径。近日，相关成果发表于《先进功能材料》。

传统材料发现往往依赖“试错式”路线：先通过大量计算筛选，再结合昂贵的合成实验和表征逐一验证。这一过程不仅计算耗时，而且实验成本高、周期长。

针对这一瓶颈，研究团队开发了TXL Fusion。该框架融合三类互补信息：材料组成反映的化学信息、对称性和电子结构等物理描述符，以及经过微调的大语言模型对材料文本信息的表征。研究人员介绍，该模型通过可学习的门控机制，根据不同材料自适应调整不同信息源的重要性，从而实现更有效的特征融合。相比单一信息源模型，这种方法在提升预测性能的同时，也保留了与物理和化学特征相对应的可解释性。

研究人员在大规模材料数据上训练TXL Fusion。结果表明，该框架整体优于纯数值描述符模型和纯组分模型，其中对拓扑绝缘体的识别能力提升尤为明显。他们进一步将模型应用于传统对称性方法难以判定的候选材料，筛选出一批高置信度候选材料，其中部分经过了第一性原理计算验证，被确认具有外尔半金属特征。

研究人员强调，这项工作并不是用人工智能取代物理计算或实验，而是将其作为材料发现的前置筛选器。