Elements Claw – 阿里达摩院推出的超导材料发现 AI 智能体
导读摘要：
Elements Claw是阿里达摩院联合中国人民大学、中国科学院大学推出的行业首个超导材料发现AI智能体。它采用专通融合架构，将10亿参数原子基础模型Elements与大型语言模型（LLM）深度耦合，实现从文献检索、性质预测到实验方案设计的全流程自动化材料筛选。该智能体仅用28个GPU小时即完成240万晶体结构筛选，预测出6.8万个超导候选材料，并成功实验验证4种全新超导材料，标志着AI在功能材...
1. Elements Claw是什么
Elements Claw是阿里达摩院联合中国人民大学、中国科学院大学推出的行业首个超导材料发现AI智能体。它采用专通融合架构，将10亿参数原子基础模型Elements与大型语言模型（LLM）深度耦合，实现从文献检索、性质预测到实验方案设计的全流程自动化材料筛选。该智能体仅用28个GPU小时即完成240万晶体结构筛选，预测出6.8万个超导候选材料，并成功实验验证4种全新超导材料，标志着AI在功能材料发现领域从“预测”迈向“闭环验证”的关键突破。
技术定位与领域： Elements Claw属于AI for Science（科学智能）领域，具体聚焦于凝聚态物理与材料科学中的超导材料发现。不同于传统高通量计算或单一性质预测模型，它定位为端到端的材料发现智能体系统，将原子尺度的数值计算与LLM的高层语义推理相融合，首次在超导领域实现“AI设计-实验验证”的完整闭环。
研发背景： 由阿里达摩院智能计算实验室牵头，联合中国人民大学高瓴人工智能学院和中国科学院大学物理科学学院共同开发。团队在原子级预训练模型（如之前的Uni-Mol、M3GNet等）和LLM应用方面有深厚积累，研发动机在于解决传统材料发现中“试错法”周期长（通常数十年）、文献知识碎片化、候选空间爆炸等核心痛点。
核心价值： 解决了超导材料发现中三大关键难题：一是将筛选速度提升数个数量级（28小时 vs 传统数十年）；二是将预测精度提升至实验可验证水平（Tc预测MAE仅0.992K，超导性判断AUC达0.996）；三是通过自我进化机制实现能力持续扩展，无需人工开发新工具即可从文献中自主创建新技能。其开放数据库为全球学术界提供了240万稳定晶体的完整数据资源。
技术特点： 采用专通融合架构，底层由基于EquiformerV2等变架构的10亿参数原子基础模型Elements提供精准的原子尺度计算，上层由LLM负责文献综合、任务编排与决策规划。同时具备自我进化能力，Agent可自动从文献中提炼新见解并微调Elements模型，实现“发现需求—制造工具—验证效果”的闭环能力扩展。
2. 主要功能
超导临界温度预测： 基于Elements-T模型，对候选材料的超导临界温度（Tc）进行高精度预测，平均绝对误差（MAE）控制在1K以内，显著优于传统DFT计算和现有机器学习基线。该功能直接支撑高通量筛选中的性质排序，帮助研究人员快速锁定高Tc候选。
超导性二元分类： 通过Elements-C模型判断材料是否具有超导性，AUC高达0.996，接近完美分类。该功能作为第一道筛选关卡，可从海量晶体结构中快速排除非超导材料，大幅降低后续计算开销。
热力学稳定性评估： 利用Elements-E模型评估候选材料的热力学稳定性，包括形成能、凸包距离等关键指标，确保预测的候选材料在实验条件下具有合成可行性。该功能是连接预测与实验的桥梁，避免推荐热力学不稳定的虚拟结构。
晶体结构生成： 通过Elements-G模型实现从头晶体结构设计，支持motif引导生成（如指定晶格类型、原子配位环境）和全新相探索。该功能可突破已知结构数据库的限制，生成具有潜在新颖超导机制的未知相。
文献智能综合： LLM自动检索、阅读并提炼科学文献中的超导相关知识，包括已报道的Tc值、合成条件、晶体结构细节等，将分散的实验知识整合为结构化信息，为筛选和方案设计提供语义支撑。
实验方案设计： 综合Elements模型的数值计算结果与LLM的语义推理能力，输出可执行的合成路径、热处理参数、表征方案及验证策略。例如，Agent可推荐合适的固相反应温度、压力条件，并建议电阻-温度曲线测量与磁化率测试的具体步骤。
自我进化与技能创建： Agent可从文献中自动提炼新见解，通过微调Elements模型自主创建新的技能工具（如Elements-C就是从文献中通过自我进化机制创建的）。该功能无需人工介入即可扩展智能体的能力边界，实现持续学习。
3. 如何使用
访问开放数据库： 科研人员可直接登录 （链接待官方发布后更新） Claw预测的240万稳定晶体完整数据，包括晶体结构文件（CIF格式）、预测Tc值、稳定性指标等。无需注册即可下载，适用于快速检索和二次分析。
设定探索目标： 在系统界面中（或通过API接口）输入研究需求，例如“筛选Hf-Zr-Re三元体系中Tc大于4K的超导候选”。支持自然语言描述，LLM会自动解析目标并拆解为筛选参数（元素组合、Tc阈值、稳定性条件等）。
启动智能筛选： 提交任务后，Elements Claw自动调用Elements-T进行高通量性质预测，同时由LLM检索相关文献并综合已有证据。整个流程无需用户干预，系统会在任务面板中显示实时进度（结构数量、已评估比例等）。
获取候选清单： 筛选完成后，系统输出高置信度候选材料列表，附带预测Tc值、稳定性指标（形成能、凸包距离）、合成可行性评估及文献支撑证据。用户可按多种指标排序，并导出为CSV或PDF格式。
实验合成验证： 根据Agent推荐的合成方案（包括前驱体选择、反应温度/时间、烧结条件等），在实验室制备目标材料，并进行电阻-温度曲线测量与磁化率测试。系统还提供与预测结果的对比分析功能，帮助验证模型可靠性。
注意事项： 当前系统主要面向学术研究用户，API接口需要申请访问权限。对于大规模筛选任务，建议使用GPU集群加速计算。数据库中的预测结果仅供参考，实验验证仍是最终确认的必要步骤。自我进化功能目前处于beta阶段，仅对合作机构开放。
4. 优缺点分析
| 优点 |
|---|
| 效率颠覆： 仅用28个GPU小时完成240万晶体结构筛选，传统方法需数十年，效率提升超万倍。 |
| 精度领先： 超导性判断AUC达0.996，Tc预测MAE仅0.992K，显著优于GNoME等基线模型。 |
| 自我进化机制： Agent可自主从文献中创建新技能，无需人工开发新工具，具备持续扩展潜力。 |
| 数据开放共享： 240万晶体完整数据向全球免费开放，促进学术合作与后续挖掘。 |
| 闭环验证能力： 首批4种AI设计材料全部通过实验验证，实现从预测到合成的真实落地。 |
5. 同类工具对比
| 对比维度 | Elements Claw（阿里达摩院） | GNoME（Google DeepMind） | MatBench（MIT/多机构） |
|---|---|---|---|
| 核心定位 | AI智能体框架（决策+预测+实验闭环） | 材料稳定性预测基础模型 | 材料性质预测基准平台 |
| 技术路线 | 原子基础模型（Elements）+ LLM专通融合 | 图神经网络大规模稳定性筛选 | 多任务图神经网络集成 |
| 验证深度 | 实验验证4种全新超导材料 | 预测220万稳定晶体，实验验证较少 | 提供标准基准数据集，无实验闭环 |
| 自我进化 | 支持，可从文献自主创建新技能 | 不支持动态技能扩展 | 不适用（基准平台） |
| 应用侧重 | 复杂功能材料（超导、催化、电池） | 广泛的无机晶体稳定性评估 | 性质预测基准测试 |
| 数据开放 | 240万晶体数据免费开放 | 预测数据部分开放 | 基准数据集完全开放 |
| 计算效率 | 28 GPU小时筛选240万结构 | 需大规模计算集群（数万GPU小时） | 取决于具体模型 |
选型建议： 对于专注于超导材料发现的研究团队，Elements Claw是目前唯一提供端到端智能体流程且经过实验验证的工具，推荐优先使用其开放数据库和筛选服务。对于需要广泛评估无机晶体稳定性的场景，GNoME的预测规模更大（220万稳定晶体），但缺乏实验闭环验证和智能体决策能力。对于从事材料生成研究（如设计全新晶体结构）的课题组，MatterGen的扩散模型方法更具灵活性，但需要自行进行后续性质评估。MatBench则更适合作为算法开发的基准测试平台，而非直接用于材料发现。
6. 编辑点评
Elements Claw的发布标志着AI for Science领域从“单一预测模型”向“自主决策智能体”的重要跃迁。其技术创新性体现在三个层面：一是专通融合架构，将10亿参数的原子基础模型与LLM深度集成，首次在材料发现场景中实现数值计算与语义推理的无缝协作；二是自我进化机制，Agent可自动从文献中提炼知识并创建新技能，这本质上是一种元学习能力，为AI系统的持续自主升级开辟了新路径；三是闭环验证，首批4种AI设计材料全部通过实验验证，证明了AI材料发现从理论到实践的可落地性。
从实用价值看，28小时完成240万结构筛选的效率优势，直接解决了材料科学中“组合爆炸”的核心痛点。预测精度AUC 0.996和MAE 0.992K达到了实验可用的水平，远超传统机器学习方法。开放数据库为全球学术界提供了宝贵的共享资源，降低了研究门槛。然而，当前实验验证样本仅4种，统计显著性不足，且主要针对二元/三元体系，四元及以上复杂体系的泛化能力尚需更多测试。此外，自我进化机制目前仅对合作机构开放，其实际效果和稳定性需要更长时间验证。
适用人群包括：超导材料实验研究者（快速获取候选清单）、计算材料科学家（作为高通量筛选工具）、AI for Science算法开发者（研究专通融合架构与自我进化机制）。未来发展潜力巨大：随着更多实验验证数据的积累，模型精度将进一步提升；自我进化机制若全面开放，有望催生一个“AI科学家”生态系统，让智能体在多个材料领域自主迭代。
7. 应用场景
超导材料发现： 研究人员输入目标元素组合和Tc阈值，Elements Claw自动完成240万结构的筛选，输出高置信度候选清单及合成方案。可快速锁定Hf-Zr-Re、La-Ce-B等体系中具有潜力的新超导体，将传统数年的试错周期缩短至数天。
固态电池电解质开发： 利用Elements-E评估离子导体材料的热力学稳定性，结合Elements-T预测离子迁移率，筛选具有高离子电导率和宽电化学窗口的候选材料。例如，在Li-La-Zr-O体系中寻找新型石榴石型电解质。
多相催化剂设计： 通过Elements-G生成具有特定活性位点（如单原子、缺陷位）的晶体结构，再由LLM综合文献中催化反应机理，推荐具有高选择性和稳定性的催化剂候选。适用于氨合成、CO2还原等关键反应。
热电材料探索： 筛选兼具优异塞贝克系数（高功率因子）与低热导率的能源转换材料。Agent可自动平衡热电优值（ZT）的各组分，推荐如Bi2Te3基合金、Half-Heusler化合物的优化配方。
数据库知识补全： 利用LLM的文献综合能力，自动从分散的学术论文中提取被主流数据库（如ICSD、COD）遗漏的已知功能材料，补充到开放数据库中，填补数据空白。
8. 常见问题FAQ
Q：Elements Claw是否需要本地部署？能否直接在线使用？
A：当前系统提供在线服务，科研人员可直接访问 https://science.damo-academy.com 查询预测数据库，无需本地部署。对于定制化筛选任务，可通过API接口提交，建议使用GPU集群加速计算。
Q：预测的Tc值有多可靠？实验验证成功率如何？
A：Tc预测MAE为0.992K，平均误差控制在1K以内。首批4种AI设计材料全部通过实验验证，但样本量较小，实际命中率需更多测试。建议将预测结果作为候选清单，实验验证仍是最终确认的必要步骤。
Q：支持哪些元素组合？四元及以上体系能否处理？
A：当前主要针对二元和三元体系优化，覆盖周期表中大部分主族和过渡金属元素。四元及以上体系的理论框架已建立，但实际筛选精度可能下降，建议先使用二元/三元体系验证后再扩展。
Q：自我进化机制如何工作？普通用户能否使用？
A：Agent通过LLM分析文献中未建模的知识，自动生成微调数据并更新Elements模型，从而创建新技能（如Elements-C）。该功能目前处于beta阶段，仅对合作机构开放，预计在未来版本中向公众开放。
Q：开放数据库的数据格式是什么？如何下载？
A：数据库提供CIF格式的晶体结构文件，附带CSV表格包含材料ID、化学式、空间群、预测Tc、形成能、凸包距离等信息。支持批量下载，也可通过REST API按条件查询。下载链接：https://science.damo-academy.com
Q：与GNoME相比，Elements Claw的优势在哪里？
A：GNoME主要预测稳定性，Elements Claw则提供从稳定性评估、超导性判断、Tc预测到实验方案设计的全流程智能体服务，且具备自我进化能力和实验闭环验证。在超导材料发现这一垂直领域，Elements Claw的精度和实用性明显更优。
Q：是否需要机器学习背景才能使用？
A：不需要。系统提供自然语言界面，研究人员只需输入研究目标（如“筛选La-Ce-B体系中Tc>10K的候选”），Agent会自动完成复杂计算和推理。但对于深入理解预测结果，建议具备基础的材料科学知识。
9. 项目地址
相关 AI 模型文章
Microsoft-Decision-1：微软推出的新一代快速决策AI模型深度评测
Microsoft-Decision-1是微软推出的一款专为结构化决策任务设计的快速决策AI模型，能够从预设选项中筛选出最优解，并为每个备选答案赋予概率评分，供下游应用判断执行、重试或转人工。该模型基于开源Qwen3.5-9B架构构建，在36项基准测试中准确率均位列第一，推理速度达到GPT-6 Sol的35倍，输入成本仅为每百万tokens 0.042美元且输出免费，已在Microsoft Fou...
Clef – Cloudflare 开源的决策模型家族深度评测
Clef是Cloudflare开源的一组决策模型家族，其核心定位并非生成开放式文本，而是在请求中临时定义问题、为每个候选选项输出概率化评分，让代码据此执行路由、拦截或升级人工等后续动作。与传统分类器需要针对新增类别反复重训不同，Clef允许在推理时动态定义类别，显著提升了决策系统的灵活性与迭代效率。该家族包含两个规格：27B参数的Clef主打精度，在Jev Decision Index基准上排名第...
Mellum2.1 深度评测：JetBrains 开源智能体编程模型的技术跃迁
Mellum2.1 是 JetBrains 推出的开源 AI 编程模型，采用 12B 混合专家（MoE）架构，每次推理仅激活 2.5B 参数。该模型的核心突破在于将强化学习（RL）从传统训练流程中的收尾环节提升为训练主体，结合数百万次沙盒环境运行，使模型能够自主探索代码库、编辑文件并自查修改，智能体编程能力实现显著跃升。在高负载场景下，Mellum2.1 的吞吐能力接近 Qwen3.5-9B 的两...
Claude Haiku 5.5 – Anthropic 推出的最轻量级模型
Claude Haiku 5.5 是 Anthropic 于 2026 年 10 月 7 日正式发布的最新小型语言模型，定位为"最便宜、最快、最能打"的高性价比产品。该模型将输入价格降至 $0.10/百万 token，综合成本降低约 75%，同时实现了电脑操作能力从 15.7% 到 72.4% 的大幅跃升。其支持 100 万 token 上下文窗口和五档可调思考机制，适用于智能摘要、数据分类、实时...
版权声明：本文部分内容由 AI 辅助生成并经人工校准，版权归本站所有，未经允许禁止任何形式的转载。