信息来源：中国人民大学高瓴人工智能学院公众号 发布日期：2026年8月1日

近日，中国人民大学高瓴人工智能学院黄文炳副教授团队联合阿里巴巴达摩院、中国科学院物理研究所等机构，提出材料智能体 ElementsClaw。该智能体将大原子模型的精准数值计算能力与大语言模型的知识推理能力相融合，成功应用于超导材料发现任务。ElementsClaw仅用28个GPU小时完成对约240万种稳定晶体结构的筛选，识别出约6.8万个高置信度超导候选材料，团队对其中4种材料进行实验验证，结果显示均为超导材料，最高临界温度6.5K。

相关研究成果以“Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery”为题发布于arXiv预印本平台[1]。中国人民大学高瓴人工智能学院为论文第一署名单位，研究生李明泽、李松佑为共同第一作者，黄文炳副教授为共同通讯作者，学院多位师生参与了该项研究。在成果发表arXiv平台之后，团队继续探索，发现了多个被已实验验证、临界温度大于10K的新超导材料。相关材料的具体组成及完整实验结果将在后续工作中正式公布，敬请期待。

以下是对arXiv论文的详细解读。

一、材料发现的瓶颈，不只是“找到候选”

超导材料在低于特定临界温度时会呈现零电阻和抗磁性，在高效输电、磁悬浮、量子信息和高端科学仪器等领域具有重要应用价值。然而，超导现象涉及复杂的电子、晶格和结构相互作用，哪些元素可以形成超导材料、什么样的晶体结构能够稳定存在，长期以来都缺少简单而普适的判断规则。

近年来，人工智能显著提升了材料性质预测和晶体结构生成的效率，一次便可以提出成千上万乃至数百万个候选材料。但从“模型给出候选”到“确定值得进入实验室的对象”之间，仍然存在一道关键鸿沟。

一个真正具有实验价值的候选材料，需要同时回答多个问题：它是否在已有文献中被报道过？数据库记录的结构是否准确？材料在热力学上是否稳定？是否含有高毒性或放射性元素？能否在现实条件下完成合成？在大量相互矛盾的信息中，下一步应该计算什么、查询什么，又应该优先验证哪一种材料？

这类跨越数值计算、文献知识和实验经验的综合决策，正是当前AI材料发现流程中的核心瓶颈。

二、“通专融合”：让AI既会计算，也会查文献、做决策

针对上述问题，研究团队提出ElementsClaw，将承担原子尺度数值计算的大原子模型与负责语义理解和任务规划的大语言模型协同起来。

其中，研究团队构建了拥有10亿参数的原子基础模型 Elements。该模型在约1.25亿个分子和晶体结构上进行预训练，数据同时覆盖周期性晶体、非周期性分子、平衡结构和非平衡构型，使其能够学习不同材料体系中的三维几何结构与原子相互作用。

基于Elements，团队进一步构建了一组功能各异的专业工具：

Elements-T，用于预测超导临界温度及相关电子、输运和声子性质；

Elements-C，用于判断候选材料具有超导性的可能性；

Elements-E，用于评估材料的形成能和热力学稳定性；

Elements-G，用于根据元素组成生成可能存在的晶体结构。

大语言模型则负责理解研究人员提出的任务，查阅和整理文献，调用上述工具，并根据中间结果动态调整后续流程。由此，ElementsClaw不再只是按照固定顺序调用模型，而是能够围绕具体科学问题，组合不同工具，规划多阶段探索路径。

三、从文献中学习，为自己创造新的“技能

ElementsClaw的一项重要能力，是能够利用新获得的知识进一步更新专业模型，实现一定程度的“自我进化”。

研究团队首先让Elements-T从MPDS、Kagome等数据库汇总的约 7.2万种晶体结构中进行初步筛选，将预测临界温度高于4 K的1524个候选交给大语言模型进行文献检索和语义分析。

在这一过程中，智能体不仅查找材料名称，还综合判断文献中的化学组成、晶体结构、超导证据、实验条件、合成难度和毒性风险。经过多轮模型提取与人工复核，团队获得了158个具有文献实验依据的超导样本、385个非超导样本和981个尚未得到验证的样本。

进一步比对发现，在158个已由文献验证的超导材料中，有 66种材料并未被标准结构化超导数据库SuperCon3D收录。这说明，大量实验知识仍然分散在论文正文、表格和不同数据库中，ElementsClaw能够将这些零散信息重新连接起来，补充现有结构化数据库的知识缺口。

随后，智能体利用文献中提取的正、负样本，对Elements进行针对性微调，自动创建了新的超导分类工具Elements-C。该工具的分类AUC达到 0.996，成为后续大规模筛选和实验决策的重要依据。

为降低大语言模型产生错误信息的风险，研究团队采用了多轮独立提取、不同模型交叉复核以及人工检查相结合的方式，并对所有被判断为超导体的材料逐一进行人工核验。这一设计保证了智能体的效率，同时保留了严谨科研所必需的可验证性和人为监督。

四、28个GPU小时，筛选240万种晶体

完成工具构建后，ElementsClaw进一步对约 240万种稳定晶体结构展开大规模筛选。

整个计算过程仅消耗28个H20 GPU小时，最终获得约6.8万个高置信度超导候选材料。相比经过数十年积累、去重后仅包含约2000种有序晶体结构的传统超导数据库，这一筛选显著拓展了可供研究人员进一步探索的超导材料空间。

在超导临界温度预测任务上，Elements-T的平均绝对误差约为 0.992 K。除超导任务外，Elements还在材料性质预测、原子间势能估计和晶体结构预测等22项下游任务中展现出良好的通用性能，为智能体处理不同阶段的材料计算任务提供了统一模型底座。

不过，面对6.8万个候选，真正关键的问题仍然是：哪些材料最值得首先进入实验室？

ElementsClaw结合预测临界温度、热力学稳定性、晶体结构、已有文献、元素毒性和实际合成条件，逐步将庞大的候选空间缩小到具有明确化学意义和实验可行性的少量材料体系。

五、四条发现路径，验证四种全新超导体

在智能体推荐下，研究团队选择了一批候选材料进行电弧熔炼合成，并通过粉末X射线衍射、Rietveld结构精修、磁化率和电阻测量等实验开展验证。最终，4种具有代表性的全新超导材料得到确认。

从数据库中发现“漏网之鱼”：Hf₂₁Re₂₅

Hf₂₁Re₂₅的晶体结构已经存在于材料数据库中，但其超导性质并未被结构化超导数据库收录。ElementsClaw通过连接结构数据和分散的文献信息，将其识别为值得验证的候选材料。

实验结果显示，该材料具有清晰的超导转变，体超导临界温度约为 2.5 K。这一结果验证了智能体从现有数据库和文献中挖掘隐藏材料知识的能力。

重新解释数据库结构：Zr₄VRe₇

数据库中的Zr₄VRe₇被GNoME数据库记录为正交结构，但ElementsClaw预测其六方结构具有更低能量和更高稳定性。

实验合成与结构精修结果表明，样品实际形成的正是AI预测的六方结构，并在约 3.5 K出现体超导转变。这表明，智能体不仅能够筛选材料，也能够发现并修正数据库中可能存在的结构偏差。

从零生成晶体结构：HfZrRe₄

对于数据库尚未覆盖的Hf—Zr—Re组成空间，ElementsClaw调用Elements-G生成候选晶体结构，再利用Elements-E评估热力学稳定性，并结合Elements-T和Elements-C判断其超导潜力。

在这一流程中，HfZrRe₄被选为重点实验对象。最终合成的材料结构与AI生成结构高度一致，并在约 5.9 K呈现体超导转变，证明智能体能够在已有数据库之外进行面向目标性质的晶体结构生成。

从已知结构“举一反三”：Zr₃ScRe₈

在对240万种晶体进行全局分析后，ElementsClaw发现，保留富铼六方骨架和关键铼原子子晶格，可能是获得超导性质的重要结构线索。

基于这一规律，智能体通过元素替换和结构类比提出Zr₃ScRe₈。实验结果确认了AI预测的晶体结构，其体超导临界温度约为 6.5 K，电阻测量得到的超导转变起始温度达到6.8 K，是此次重点展示的4种材料中临界温度最高的一种。

从数据库挖掘、结构纠错，到从头生成和结构类比，4种材料分别对应了4条不同的科学发现路径，展现了ElementsClaw处理复杂材料问题的综合决策能力。

六、实验不仅验证“预测正确”，检验“拒绝是否可靠”

为了避免只展示成功案例，研究团队还专门设置了对照实验。

例如，ElementsClaw认为HfZrRe在热力学上不稳定，不应作为优先候选。实验中，该组成确实出现明显的相分离，未能形成预期单相材料。

对于另一种候选Zr₂VRe₃，实验只观察到非常微弱的抗磁信号，无法证明其具有体超导性。研究人员进一步分析认为，磁性钒原子可能产生破坏电子配对的效应，而当前基于标准密度泛函理论数据训练的模型尚未充分刻画这一机制。

这些“受控失败”一方面验证了ElementsClaw排除不稳定材料的能力，另一方面也揭示了模型在磁性相互作用、强关联电子体系等方面仍需进一步完善。研究团队在论文中明确指出，当前框架仍然依赖人类专家监督，大语言模型也可能受到信息偏差和幻觉问题影响；面向铜氧化物、铁基超导体和高压氢化物等复杂体系，还需要引入更高精度的物理模型和特定实验条件。

这项工作是GLAD实验室长期深耕AI for Materials方向的延续与突破。由黄文炳副教授领导的Graph Learning And Discovery（GLAD）实验室，近年来在智能材料发现领域形成了系统性研究布局，与清华大学刘洋团队、中科院物理所金士峰团队、阿里巴巴达摩院等单位合作取得了以下研究成果：DiffCSP[2]、DiffCSP++[3]等方法已成为晶体结构预测领域的重要基准；PXRDGen[4]实现了基于粉末X射线衍射的晶体结构自动解析；DAO[5]构建了晶体结构生成与性质预测相协同的基础模型框架；UniPath[6]将晶体结构生成与能量预测统一于同一建模路径；DMFlow[7]将生成建模拓展至无序材料体系；GeoMix[8]则面向电解液等分子混合体系开展高精度性质预测。这些研究覆盖有序晶体、无序材料和分子混合体系，为ElementsClaw智能体的构建提供了坚实的方法基础与技术储备。

此次研究是高瓴人工智能学院持续推进“人工智能+科学研究”的又一重要成果。未来，学院将继续发挥人工智能基础理论、几何深度学习和科学智能等方面的研究优势，深化人工智能与物理、材料、化学等学科的交叉融合，推动人工智能从信息处理工具进一步走向认识和探索物质世界的新型科研基础设施。

参考文献：

[1] Mingze Li, Yu Rong, Songyou Li, Lihong Wang, Jiacheng Cen, Liming Wu, Anyi Li, Zongzhao Li, Qiuliang Liu, Rui Jiao, Tian Bian, Pengju Wang, Hao Sun, Jianfeng Zhang, Ji-Rong Wen, Deli Zhao, Shifeng Jin, Tingyang Xu, Wenbing Huang. Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery. arXiv 2026.

[2] Rui Jiao, Wenbing Huang, Peijia Lin, Jiaqi Han, Pin Chen, Yutong Lu, Yang Liu. Crystal structure prediction by joint equivariant diffusion. NeurIPS 2023.

[3] Rui Jiao, Wenbing Huang, Yu Liu, Deli Zhao, Yang Liu. Space Group Constrained Crystal Generation. ICLR 2024.

[4] Qi Li, Rui Jiao, Liming Wu, Tiannian Zhu, Wenbing Huang, Shifeng Jin, Yang Liu, Hongming Weng, Xiaolong Chen. Powder diffraction crystal structure determination using generative models. Nature Communications 2025.

[5] Liming Wu, Wenbing Huang, Rui Jiao, Jianxing Huang, Liwei Liu, Yipeng Zhou, Hao Sun, Yang Liu, Fuchun Sun, Yuxiang Ren, Ji-Rong Wen. Siamese foundation models for crystal structure prediction. Nature Communications 2026.

[6] Songyou Li, Mingze Li, Qianpu Liu, Jiacheng Cen, Liming Wu, Tingyang Xu, Yu Rong, Deli Zhao, Wenbing Huang. One Path to Model Them All: Learnable-Time Flow Matching for Crystal Structure and Energy Prediction. KDD 2026.

[7] Liming Wu, Rui Jiao, Qi Li, Mingze Li, Songyou Li, Shifeng Jin, Wenbing Huang. DMFlow: Disordered Materials Generation by Flow Matching. KDD 2026.

[8] Anyi Li, Jiacheng Cen, Songyou Li, Mingze Li, Yang Yu, Wenbing Huang. Geometric Mixture Models for Electrolyte Conductivity Prediction. NeurIPS 2025.