首尔国立大学（SNU）化学生物工程系郑有成教授团队近日公布一项基于人工智能的新方法，利用大型语言模型（LLMs）将此前被认为难以合成的新材料结构重新设计为实验可行的形式。

从“可合成性预测”走向“结构重新设计”

研究团队表示，既有工作多集中于判断材料是否“可合成”，但对于那些被预测为难以合成的候选结构，缺少将其转化为实验可行结构的具体路径。该研究提出的方案旨在直接对这类结构进行重新设计，目标是加速先进材料开发进程，应用方向包括下一代半导体材料与高效电池材料等。

该研究由首尔国立大学综合硕博连读学生崔在焕与博士后研究员金成敏共同担任第一作者。论文于2025年10月6日发表在《美国化学会杂志》（Journal of the American Chemical Society）。

“SynCry”框架：将晶体结构转为可逆文本并迭代微调

研究团队开发了名为“SynCry”的大型语言模型框架。其核心做法是将新材料的晶体结构表示为可逆的文本描述，并通过迭代微调，让模型学习如何把被预测为难以合成的结构调整为实验可行的结构。

研究团队指出，随着计算化学与人工智能的发展，研究人员能够识别大量理论上具有潜力的材料候选者，但实验室合成仍是关键瓶颈。SynCry的设计意在弥补“从理论候选到可实验合成结构”之间的落差。

转换结果：从514个到3,395个结构的重新设计

研究结果显示，SynCry在初始阶段成功转换了514个结构；在迭代微调后，最终将3,395个结构重新设计为可合成形式。研究团队进一步报告称，在前100个重新设计结构中，有34个虽然未出现在训练数据集中，但与已被实验合成并发表于科学文献的材料相匹配。研究团队据此认为，该框架并非仅复现训练数据，而具备生成新的、可合成材料结构的能力。

研究团队表示，这一结果显示大型语言模型在材料领域的作用可从“预测”扩展到“学习与再生成”的设计环节，有望缩短先进材料开发周期，并使部分因合成难度而被放弃的候选材料重新进入研究视野。

研究人员表态与后续计划

郑有成表示，该研究“首次证明人工智能能够直接从难以合成的结构出发重新设计新材料”，团队计划将工作扩展至更广泛的材料体系与更大规模数据集，目标是开发用于发现新材料的实用工具。

崔在焕称，这项研究源于“能否让因合成难度过大而被舍弃的虚拟材料重获新生”的问题，并表示未来希望开发包括语言模型在内的通用人工智能代理，以进一步加速材料发现。

金成敏表示，该成果是人工智能在材料科学中发挥创造性设计作用的示例。他目前在首尔国立大学先进化学工程研究所工作，并计划继续推进机器学习与材料科学结合的后续研究。

研究团队还提到，崔在焕计划开展通用人工智能代理相关研究，以实现对无机材料合成机制与最优合成路径的自动识别。