新型AI框架加速拓撲材料發現

　　安徽大學物理學院量子計算團隊特任教授Arif Ullah與合作者在人工智能賦能凝聚態物理與材料發現方面取得重要進展，提出新型機器學習框架TXL Fusion，將大語言模型與物理、化學描述符深度融合，實現了對拓撲材料的高效識別，并為發現傳統方法難以判定的新型候選材料提供了新途徑。相關成果發表于《先進功能材料》，安徽大學為第一完成單位。

　　拓撲絕緣體和拓撲半金屬具有獨特而穩定的量子電子態，在雜質、缺陷等擾動下仍能保持部分關鍵性質，因此被認為是量子計算、自旋電子學和低能耗電子器件的重要候選材料。

　　但找到這些材料并不容易。傳統材料發現往往依賴“試錯式”路線：通過大量計算篩選，再結合昂貴的合成實驗和表征逐一驗證。面對數十萬種已知材料，這一過程不僅計算耗時，而且實驗成本高、周期長。

　　針對這一瓶頸，研究團隊開發了TXL Fusion。該框架融合三類互補信息：材料組成所反映的化學信息、對稱性和電子結構等物理描述符，以及經過微調的大語言模型對材料文本信息的表征。

　　研究人員介紹，該模型通過可學習的門控機制，根據不同材料自適應調整不同信息源的重要性，從而實現更有效的特征融合。相比單一信息源模型，這種方法在提升預測性能的同時，也保留了與物理和化學特征相對應的可解釋性。

　　研究人員在大規模材料數據上訓練TXL Fusion。結果表明，該框架整體優于純數值描述符模型和純組分模型，其中對拓撲絕緣體的識別提升尤為明顯。

　　更具挑戰性的是，研究團隊進一步將模型應用于傳統對稱性方法難以判定的候選材料，即現有篩選方法的典型盲區。模型篩選出一批高置信度候選材料，其中部分經過進一步第一性原理計算驗證，最終均被確認具有外爾半金屬特征。這一結果表明，AI不僅能夠加速已知材料的發現，還能夠幫助研究人員從傳統方法難以覆蓋的材料空間中尋找值得進一步研究的新候選材料。

　　研究人員強調，這項工作的核心并不是用AI取代物理計算或實驗，而是把AI作為材料發現的前置篩選器：先以較低成本從大規模材料空間中鎖定最有希望的候選材料，再將昂貴的計算資源和實驗投入到少數目標材料上。

　　目前，研究團隊已公開相關代碼、模型和數據集。未來，這種融合大語言模型與物理、化學知識的AI框架有望進一步拓展到超導、催化和電池材料等領域，為面向未來量子科技的新材料發現提供更加高效的路徑。

　　相關論文：https://doi.org/10.1002/adfm.202529788