近日，四川大学高分子学院刘晗团队，解决了将计算模拟用于材料预测应用的技术壁垒。
同时，也解决了由于目标用户对于计算物理程序语言的不熟悉，致使其难以在实际生产或研发过程中应用预测工具的难题。
研究中，他们研发了一款名为 Lang2Sim 的软件，使得通过自然语言描述进行材料特性模拟成为可能。
图 | Language-to-Simulation（Lang2Sim）workflow（来源：arXiv）为了实现这一目标，该模型被划分为三个主要模块：LM-Type（模拟类型）、LM-Sim（模拟性能）、以及 LM-EXE（模拟参数）。
其中，LM-Type 集成了从宏观至微观、从经验性到理论性的多种模拟工具。LM-Sim 则根据选取的模拟工具，选取了可模拟性能、
而最终，根据选定的 LM-Type 以及 LM-Sim，LM-EXE 会引导使用者输入模拟所需参数，并根据相关文献输出最终结果。
图 | Architecture of Lang2Sim platform（来源：arXiv）上述三个模块按序组成了一个完整的预测过程。未来，通过集成更多模拟方法，预计生成结果数将会呈现如同决策树般的指数级增长。
图 | Lang2Sim example run on User-Interface（UI）（来源：arXiv）除此之外，模型的自我学习功能也可圈可点。通过对储存空间的合理安排，每次模拟之后，模型都会对模拟条件进行记录。
在遇到类似情形时，可以根据先前记录快速进行二次模拟，从而加速计算过程，避免计算资源浪费。
总而言之，该项研究开发了一套人机交互智能建模系统，通过大语言模型构建语言智能体集成系统，能够基于人机交互历史将自然语言精确转化为材料计算模型，为便捷地进行材料模拟提供了一种新工具。
图 | History chat effect（来源：arXiv）预期的应用场景可分为两方面：
一是在学术研究中，在进行物理化学实验之前，通过对设想的材料预先进行模拟，可以对材料研发提供指导意见，如针对结构、组分进行改变等；
二是在生产应用中，通过模型可预测当前材料在特定条件下的性能，能为材料能否在实际条件下发挥需要的作用提供依据。
图 | Future development of Lang2Sim platform（来源：arXiv）研究人员表示，可以把本次模型看作材料科学届的学术版 ChatGPT。
事实上，Lang2Sim 和 ChatGPT 的运行模式非常相似。只不过和 ChatGPT 相比，Lang2Sim 对使用者输入的信息有更明确的要求，但同时也提供了相较于 ChatGPT 更准确的结果。
日前，相关论文以《仿真引擎语言研究》（On Languaging a Simulation Engine）为题发在 arXiv[1]，刘晗担任第一作者和通讯作者。此外，课题组研究生李天乙参与了本次采访。
图 | 相关论文（来源：arXiv）
据介绍，AI 在材料科学中的应用一直是该课题组的主要研究方向，目前他们致力于构建基于人工智能的计算材料平台。
通过此，他们期望实现对于材料“制备—结构—性能—应用”的全过程模拟与反向设计，从而精准预测并反向调控材料制备过程。
进而快速降低目标材料的研发周期与成本，达到高性能新材料的加速开发，并在实际应用中促进相关理论方法学的发展。
目前，该团队仍在开展相关工作，例如基于大语言模型的语言智能体集群架构设计、以及可用于 LM-Type 中的预测模型等。
下一步，课题组计划通过进一步的研究，充实各个功能板块。此外，他们也在积极和外部课题组合作，以将预测结果用于实验验证或实验指导。
最终，该团队希望可以推动材料设计实验室的虚拟化和智能化，包括材料研发、制备、以及表征的全过程自动化。
目前，基于人工智能的全自动材料研发平台正在深刻变革整个科技领域，机遇很多、挑战也很多。
比如，高分子加工对于人工智能辅助的全自动研发还存在大量缺口，这也是今后学界需要补足的重点方向之一。
事实上，历次的科技革命都是将人从重复劳动中解放出来。
比如：
织布机的发明，不仅提升了纺织效率，也使得织物质量和产量得到提升，并带动了其他部门工业化，推动了工业革命。
计算机的发明，使得人类计算尺度得到颠覆性提升，其深远影响直至今日。
而现在我们赋予机器思考能力，使计算模拟变得不再难以企及，从而从根本上改变现有的科研范式，推动材料研发生产更加全面的智能化、自动化、理性化。
参考资料：
1.https://arxiv.org/ftp/arxiv/papers/2402/2402.16482.pdf
运营/排版：何晨龙
