传统新材料发现往往流程复杂、周期长且成本高，通常需要多年持续投入。随着大型语言模型（LLMs）在信息处理与推理能力方面的进展，智能自主材料研究获得新的技术路径。

据《Matter》杂志发表的一项研究，中国科学院深圳先进技术研究院（SIAT）薛学峰教授团队开发了一套知识驱动的多智能体与机器人系统（MARS），用于实现端到端的自主材料发现，并将人工智能推理与机器人实验平台整合为闭环流程。

研究介绍，MARS采用知识驱动的分层架构，协调19个大型语言模型智能体与16个领域专用工具，按功能模块组织运行。系统通过明确的功能分组支持专业化推理，工作流程对标人类主导实验室的协作方式，并通过机器人实验实现“设计—执行—反馈—优化”的闭环。

在功能划分上，MARS包括负责整体任务协调的指挥者组；承担知识检索与方案设计的科学家组；将设计方案转化为可执行实验协议的工程师组；控制机器人平台完成实验操作的执行者组；以及负责数据解读并提出优化策略的分析师组。

研究称，MARS引入混合检索增强生成技术，为材料开发提供专业指导，并用于缓解大型语言模型可能出现的“幻觉”问题。在实验验证中，该系统在10次迭代内完成钙钛矿纳米晶体合成的优化；同时，系统在3.5小时内设计出一种仿生“核-壳-冠”结构的水稳定钙钛矿复合材料。

研究团队表示，该集成式人工智能驱动框架MARS有望用于加速材料创新流程。