編輯丨%

材料科學正面臨著空前的挑戰。隨著新材料需求的激增，科學家們亟需快速篩選、設計和驗證新的材料體系，尤其是在納米技術、能源存儲以及藥物傳遞等領域。然而，傳統的研究方法，尤其是在材料發現的初期階段，仍然依賴于手動的實驗設計和試錯。

在 LLM 逐漸發展且進化的當下，如何使用這種工具實現高效智能的開發，成為了相關研究者需要探討的核心問題之一。

來自中國科學院深圳先進技術研究院（SIAT）的團隊開發了一種基于知識的多智能體與機器人系統（MARS），用于端到端自主材料發現。該系統通過結合多智能體與機器人技術，首次實現了從問題定義到實驗執行，再到結果反饋的全自動閉環。

相關研究內容以「Knowledge-driven autonomous materials research via collaborative multi-agent and robotic system」為題，于 2026 年 1 月 21 日發布在《Matter》。

論文鏈接：https://www.cell.com/matter/abstract/S2590-2385(25)00620-4

分層多智能體架構

MARS 系統的核心亮點在于其高度模塊化與協同工作的智能體架構。系統內包含19 個智能體，這些智能體被分為五大類，各自承擔不同的任務：

• ORCHESTRATOR負責全局協調，確保任務在所有智能體之間平穩流轉；
• SCIENTIST負責科學知識的推理與檢索，定義研究問題并提出實驗假設；
• ENGINEER負責將科學家的研究假設轉化為實驗可執行的具體步驟和操作方案；
• EXECUTOR負責實際執行實驗，控制機器人平臺進行物理實驗操作；
• ANALYST負責對實驗數據進行分析，并將結果反饋給 ORCHESTRATOR，推動進一步實驗的設計與優化。

圖 1：MARS 的架構。

這一系統設計的一個顯著優勢是其能夠完全實現實驗閉環，即每一個實驗的執行和結果分析都在同一個平臺上進行，消除了傳統方法中實驗階段與分析階段之間的時間和數據損失。

每個智能體并非通用型，而是結合了特定的工具與數據庫，圍繞任務完成特定工作，確保了系統的高度專精性與高效協作。最重要的是，這一設計仿效了真實科研團隊的分工，通過任務的模塊化協作，將復雜的科研過程自動化。

圖 2：MARS 的優化能力。

智能體所使用的相關數據庫共包含 1348 篇鈣鈦礦高影響力文獻的知識庫，生成向量數據庫（7818 個片段）與知識圖譜（11.7 萬節點、23.2 萬條邊），融合多維度檢索方式，確保知識獲取的全面性與準確性。

該系統無需依賴大量實驗數據，通過 LLM 結合材料領域知識推理實驗參數，實現小樣本高效優化。它打通了「知識檢索 - 方案設計 - 代碼生成 - 機器人實驗 - 數據分析」全流程，即使沒有人工干預，也可以自行完成材料研發。

材料開發中的表現

據報道，實驗驗證中，系統在 10 次迭代內優化了鈣鈦礦納米晶體合成。鈣鈦礦這種材料，因其在光電和催化領域的潛力而被廣泛關注，但其合成與性能調控非常復雜，通常需要大量的實驗驗證與優化。

圖 3：MARS 輔助的鈣鈦礦納米復合材料的設計與合成。

通過 MARS，研究團隊在僅 3.5 小時內，完成了對鈣鈦礦復合材料的優化，生成了具有高發光效率且穩定性更強的水穩定鈣鈦礦復合材料。在整個過程中，系統在 10 輪實驗內就完成了性能的顯著優化，這相較于傳統的人工方法，不僅在時間上縮短了60 倍，還大大提高了數據的一致性和可靠性。

而相較于其他單智能體 LLM（GPT-4o），MARS 的勝率高達 60.02%，對比 ChatGPT-4o 網頁版勝率也達到了 61.89%。且 MARS 還適配開源模型，具有良好的框架擴展性。

小結

研究團隊明確指出，推理系統的智能性和實驗執行的精準性仍有進一步優化的空間。例如，復雜反應條件的適應性、機器人平臺的實時反饋機制以及模型訓練時的知識更新機制等，都需要在實際應用中進行持續的改進。

此外，隨著跨學科的深入發展，MARS 系統的應用將不僅限于材料科學，還可以擴展到生物醫學、環境科學等多個領域。跨模態、多領域的知識整合將成為 MARS 未來拓展的關鍵。

https://phys.org/news/2026-01-multi-agent-ai-robots-automate.html