本期播客中，Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk 同 swyx、Brandon 对谈，阐述「合成超级智能」（synthesis superintelligence）的设想：把强化学习锚定在真实物理实验上，结合 AI 材料表征、模拟与密度泛函理论（DFT），让系统从整个科研过程而非仅发表结果中学习。他们指出，仅凭智能不足以实现科学发现，科学需要在不确定性、噪声和缺失信息下推理；前沿模型仍需实验，失败的实验可能是最有价值的训练数据。他们还谈到让每台实验设备拥有「140 智商」、自主实验或可把数十年试错压缩到数月，并涉及室温超导体、磁体、电池与更高效算力等方向。
预测有机分子的动态极化率张量对模拟光电器件中的光-物质相互作用至关重要，但TD-DFT等传统量子化学方法计算昂贵，限制大规模筛选。研究提出一种等变图神经网络架构，可直接从三维几何、UV-vis光谱等易得分子信息预测随频率变化的复值动态极化率张量，学习其形状与量级，并捕捉色散与吸收特征。模型在QM9与Harvard有机光伏数据集上以多种指标评估，包括适用于光谱量比较的推土机距离，能够复现张量主要特征并对不同分子泛化。在下游器件级光学模拟中，模型预测极化率得到的载流子产生率与TD-DFT结果一致（R² = 0.94）。
研究提出深度学习驱动框架，在相互竞争的准静态与动态性能要求下优化多晶微结构。3D U-Net代理模型将多晶铜微结构直接映射到板撞击模拟的全场速度历史，保留评估动态性能与失效机制所需时空分辨率，并与随机微结构生成、无导数优化耦合以搜索设计空间。为监测代理可靠性，作者引入基于最大均值差异（MMD）的分布一致可靠性区域（DCRR），量化相对训练数据的分布偏移。框架用于层裂强度与屈服强度的约束优化及逆向设计。最优设计经CPFE模拟验证，预测误差低于3%，代理驱动优化使累计评估时间较直接CPFE优化减少约四个数量级。该框架适用于高保真全场模拟代价高昂、但时空分辨响应信息对评估与优化必不可少的问题。
Lila Sciences于2026年9月25日宣布，其AI主导实验室在三个月内提出、合成并筛选了2,942种绿氢催化剂，横跨53个材料体系与26种元素，最终锁定六类用于酸性析氧反应（OER）的钯基材料。团队于9月24日将预印本提交至arXiv。据公司介绍，钯曾被视为OER的死路，但模型给出的候选是经少量其他元素微调的钯组分而非纯金属；经反复活性测试和超过1,000小时稳定性测试，最佳金属组分表现与钌相当。公司首席自主科学官John Gregoire称其原Caltech团队研究该反应12年，若学生提出这一元素组合，他会建议另寻方向。
智能已让机器自主行动，却仍主要存在于数字模型之中，机器人本体只是被动执行者。在人脑这类对力学与温度敏感的极端环境中，传统电子器件可能成为限制。文章于2026年9月22日在线发表于《Nature Computational Science》（doi:10.1038/s43588-026-01051-4），讨论将智能直接嵌入结构的活性材料如何拓展此类场景下的机器人能力，并特别关注计算辅助设计所扮演的角色。
现有分子描述子或只考察分子结构的局部特征，或难以有效学习涉及长程分子内相互作用的非局部结构特征。为此，作者提出名为TDiMS的描述子，它汇总子结构对之间枚举的拓扑距离，从而捕捉非局部相互作用。评估表明，TDiMS能成功识别大结构的关键特征，并在以子结构间距离为首要影响因素的性质预测上优于其他代表性描述子；这些被识别出的特征对材料发现领域的专家也具有很高的可解释性。
在华盛顿大学的课堂上，材料科学与工程教学副教授Luna Yue Huang通过GenAI for Science: Ai2–UW Materials Challenge，引导学生以批判眼光使用科研AI代理AutoDiscovery。该工具分析数据、提出假设、运行实验，并按贝叶斯意外度（模型预测与数据结果的差距）排序结果。25支队伍提交数据集与研究问题，其中10支入选，学生需核验证据、比对已发表研究，判断结果究竟是真发现、巧合还是数据问题。例如锂离子电池老化项目发现，周期性诊断测试本身或会加速电池衰减；但这只是数据中的相关性而非因果证明，确认它还需开展对照实验。AutoDiscovery的表现差异明显，有时能带来学生原本不会探索的线索。
Nature Machine Intelligence 于 2026 年 9 月 10 日在线发表（doi:10.1038/s42256-026-01298-6）。Shi 等人提出一种双架构方法，将两个轻量级大语言模型整合到材料研究中：二者协作进行推理并执行科学工具调用。作者称该方法取得了具有竞争力的性能，同时成本可负担、可本地部署。
电化学界面在运行时的非平衡条件建模对能源技术至关重要，但第一性原理方法成本高昂。该研究提出一种嵌入电压偏置的 E(3) 等变图神经网络，用于开放体系模拟。模型将体系能量和力拆分为零偏压与偏压相关部分，并为电极和散射区原子赋予不同的向量编码。仅用有限的离散偏压数据训练后，模型表现出较高预测准确性和稳健的外推迁移能力。在锂/水界面测试中，模型捕捉到电场诱导的水分子动态重取向，并复现不同电极处不对称的电化学行为。
研究提出几何信息驱动框架，将深度学习的料条形状预测工具ShapeGen3DCP与逐层激活有限元（FEM）结合，研究3D混凝土打印（3DCP）中真实挤出料条几何对可建造性的影响。框架由材料与工艺参数直接生成几何感知模型，无需试验表征或流体模拟。实验验证及直线墙体参数化研究显示，挤出参数和料条几何显著影响可建造性预测；自由流动沉积对几何表示敏感，压层策略对简化不敏感。椭圆形近似平衡了几何保真度与建模简便性；若用矩形表示，按体积守恒定尺寸比按最大宽度或层间接触宽度标定更可靠。
提出无监督学习框架，用全场数据标定小应变黏弹性的物理增强神经网络（PANN）。训练只需实验可直接测得的整体反作用力和表面位移。PANN嵌入广义标准材料理论，用两个标量势保证热力学一致，基于不变量的自由能和对偶耗散势表示保证材料对称性。对平面应力薄试样，结合平衡间隙法、拟牛顿优化器和自动微分求解约束优化问题；离面应变由平面应力条件得出，内变量演化采用隐式时间积分，局部牛顿迭代求解方程组。损失梯度用反向伴随方法计算，而非反向传播所有牛顿迭代步骤。合成数据（含噪声位移和力）验证显示，在广泛变形速率和加载路径下吻合良好。
作者在Reddit上分享其论文Mol-JEPA，称这是一个用于分子的多模态JEPA基础模型，相关工作历时约一年。作者还制作了展示关键结果的摘要网站并附上链接，并用TL;DR概括该模型为多模态分子JEPA模型。作者同时表示性能仍有提升空间，需要继续开展工作，欢迎反馈与建议。帖子本身未提供定量结果或同行评审信息。
人工智能日益将科学文献视为构建数据库、训练预测模型和指导发现的数据来源，但文献衍生数据集往往假设报道的实验值内部一致且可直接复用。本研究以固体电解质（SE）电导率数据为代表案例，追踪数值从源论文进入整理数据集的过程，发现常见的文本-图表不一致、坐标轴标注含混、单位不一致和测量背景缺失。这些偏差在数值上往往看似合理，常规预处理难以察觉，却可能在数据库构建和机器学习复用中作为结构化标签噪声传播。一个跨数据库示例显示，含混报告可造成100倍电导率误差。该分析将数据准确性重新定义为AI驱动发现的基础设施要求，并推动可溯源报告、整理与验证实践。
HiPoly是一个聚合物原生AI框架，基于G2RINS表示采用三级层级图架构处理完整聚合物描述，将随机单体间连接、组成和分子量直接编码进模型，并遵循反映聚合物多尺度特性的物理启发设计原则。它建立了从实验配方数据到性质预测、生成式分子设计及分子模拟物理验证的统一端到端流程。作者报告多组分聚合物体系热物理性质预测达到最先进精度；消融研究证实各层级设计选择独立贡献性能。示例中，生成式设计用于寻找持久性含氟聚合物的可持续替代品，识别并独立验证了具有目标表面能性质的无PFAS候选物。
等摩尔NaCa(BH4)3的理论储氢容量为11.24 wt.%，分解焓预计介于NaBH4与Ca(BH4)2之间；该材料从未制得，也无晶体结构报道。本研究弃用钙钛矿假设，由三个独立来源构建6种候选骨架，全部2238个候选均被弛豫、无一排除；固定电荷中性组成下穷举阳离子排布，420种装饰归并为118个对称不等价构型，经机器学习势筛选并第一性原理确定。最稳定结构不是钙钛矿，而是单斜空间群Cm骨架，-4.185640 eV/atom，比先前最佳框架低7.67 meV/atom；两个化学上无关的供体原型收敛于该结构（0.076 meV/atom），其有序阳离子排布为该系列基态。声子谱无虚频、弹性张量正定；正交钙钛矿候选在-2.401 THz处不稳定；模拟衍射花样通过7个反射指认该结构。
机器学习原子间势能函数常通过主动学习扩展训练集，但现有不确定性量化方法往往在计算成本与可靠性之间权衡，且难以处理批量采集中的冗余。作者提出单模型框架AdaptNTK，在经验神经正切核（NTK）特征空间中以正则化马氏距离度量不确定性；采集过程中固定NTK特征，使不确定性只取决于已采集构型而非参考标签，可在每次选择后递归更新而无需重训练，从而减少批量冗余。在留出rMD17数据上，AdaptNTK与力误差的平均相关性最高（Spearman 0.68，Pearson 0.71），误差保留与三成员集成相当；在rMD17和Transition-1X主动学习实验中取得最低力误差，尤其擅长过渡态构型，且每个Transition-1X周期比集成快2.6倍。
粉末X射线衍射（XRD）是材料表征的核心，但端到端自动化仍具挑战。本文提出自主LLM智能体框架AutoXRD：将XRD分析组织为逐步精修，以观测证据为依据，接受结果前施加确定性晶体学与物理检查。作者引入XRDBench：QA轨含100个有界诊断任务，E2E轨含34个可执行工作流。10个近期LLM共1,340次模型-任务运行平均仅57.8/100，从QA的61.9降至E2E的53.7；模型在精修历史评估与结果接受上较强，但在精修动作选择、物相定量、指标化与Rietveld精修上较弱。GPT-5.6 Sol总分最高（81.1），GPT-5.6 Terra的E2E最高（81.0），GPT-5.6 Luna性价比最佳。消融显示六项组件均提升性能；执行轨迹分析发现耦合参数控制、定量推理、证据保存与工作流终止方面的反复失败。
现有多模态评测无法区分视觉-语言模型是看错还是推理错，因为既有分离方法都要在回路中引入第二个模型。我们提出渲染上限：对渲染已知对象的基准，反转冻结相机并重解跨视角对应，可精确恢复图像支持的答案；证明它仅在可枚举的投影巧合下失效，并在2160个渲染晶体结构上确认该集合为空。14个视觉-语言模型中，以文本提供精确几何提升所有模型，但13个的差距被弥补不足一半；无语言组件的监督视觉模型在同一图像上达0.8952，超过所有视觉-语言模型。该工具暴露了会被下游准确率误归因于推理的提取阶段伪造，提供相机放置规则，并可迁移到任何可逆前向渲染基准。
该工作概述了评估用于材料合成的基于大语言模型（LLM）的人工智能（AI）模型与智能体性能的不同策略。文章简要介绍当前基于LLM的AI智能体关键背景后，总结了在材料科学特别是材料合成中评估这些模型的方法，重点关注模型与实验工具直接集成的场景。讨论涵盖知识与推理基准、工具使用基准，以及涉及实验系统或逼真虚拟工具交互的闭环基准。以原子层沉积（ALD）为案例，说明现有方法既借鉴材料科学以外的通用方法，也可推广至其他材料合成技术，最后给出实用评估框架。
AdaptiveFlow是一个开源平台，旨在让超大规模虚拟筛选更可及、可扩展且高效，支持AI/ML方法开发。它提供Enamine REAL Space的筛选就绪版本（据我们所知最大的可对接类药分子库，含690亿化合物，另有SELFIES格式）。平台用18维分子性质网格结合可选主动学习，优先探索有前景的化学子空间，将计算成本降低数个数量级；整合超过1500种对接方案，并在Amazon Web Services云中多达560万CPU上近线性扩展。研究团队鉴定出FSP1和PARP1的纳摩尔级抑制剂，共晶结构为FSP1抑制提供了机制性见解。AdaptiveFlow使药物发现达到前所未有的规模。
本研究提出一种机器学习辅助的多尺度拓扑优化框架，用于规则叠加点阵结构。单胞由体心立方、面心立方和简单立方点阵分量组合而成，各由独立几何参数控制。离线计算均匀化生成等效刚度数据，训练Cholesky约束神经网络代理，以物理可容许形式重构均匀化刚度张量；另用神经网络基于蒙特卡罗密度估计预测相对密度。两阶段优化中，宏观拓扑采用SIMP法，微观点阵参数用MMA更新，代理替代在线均匀化。三维MBB梁基准验证了该方法，所得空间变化点阵参数和相对密度场符合材料约束下的柔度最小化。
材料预测取决于科学知识的表示方式，但许多规则只是自然语言启发式，常规学习器无法直接使用。作者提出大语言模型辅助框架 CRISP，将表示构建视为规则空间探索与编译：不访问结构、标签或数据划分，反复采样相关化学规则，整合并编译为可执行标量描述符。在无机晶体的 positive-unlabeled 可合成性预测中，CRISP 在共享学习器下优于专家构建和通用结构表示，并超过专用可合成性模型；结构尺寸和化学家族偏移下优势最明显，低频规则也提供互补信息。同一流程在形成能和离子电导率上得到有竞争力的表示，但揭示剪切模量的任务依赖局限，提供了不依赖数据集的、可审计的路径。
电池预测与健康管理（BPHM）关乎电动汽车、电网储能和消费电子产品的安全可靠与经济运行。传统物理模型和任务中心深度学习方法存在计算效率、跨域泛化、依赖大量标注失效数据及可解释性等瓶颈。该综述首次全面梳理大模型在BPHM中的应用，涵盖Transformer、自监督学习、大规模多模态数据集与PEFT等基础，并从缓解数据稀缺、增强泛化与鲁棒性、融合领域知识提升可解释性、系统级自动化四方面归纳进展，同时指出数据可获取性、智能验证、可信度与部署可行性挑战，提出协作数据生态、工业智能验证、物理信息可信设计及高效端侧部署路线图。
本研究评估超快力场（UF³）势，它以三次B样条基的线性回归表示有效二体和三体相互作用，精度与GAP、MTP、NNP（Behler Parrinello）、qSNAP等成熟模型相当。在不含固液界面构型或熔化热力学信息的条件下拟合六个元素体系，计算熔点对Ni、Cu、Li在约6%内复现实验值，却显著低估Mo和Si，且无法为Ge获得稳定势，反映固定三体截断对强角度/共价键合体系的局限。样条公式还能直接可视化所学相互作用，识别黑箱方法常掩盖的非物理行为。
研究提出可解释的物理信息检索增强生成语言模型PIRAG-LM，用于无机晶体合成端到端规划。其构建的以材料为中心的结构化合成知识库（SSKB）收录13,820种实验合成无机晶体的路线级记录；模型按化学、结构和热力学相似性检索历史先例，再由结构化LLM推理模块提出路线、前驱体与条件，并评估热力学可行性、动力学和可及性。合成方法预测准确率达91.4%，优于单独LLM的72.1%，可泛化到知识截止后报道的材料；由于框架依靠检索而非参数记忆，扩展SSKB无需重训即可提升性能。在模型指导下，通过固相和溶液路线实验合成了BaMo0.3In0.7O2.95、BaNb0.4In0.6O2.9、Hg[B(CN)4]2、CoCo(CN)6和SrNb2Fe2(PO4)6五种新化合物。
Kohn-Sham密度泛函理论（DFT）因反复轨道对角化而呈立方标度，限制了量子计算规模。无轨道DFT旨在去掉这些辅助轨道并保持Kohn-Sham精度，但以往解析与机器学习方法均不成功。本文以Kohn-Sham映射为学习目标——将Kohn-Sham势直接映射为密度与非相互作用动能；使用域不变的SE(3)等变傅里叶神经算子在实空间网格上预测密度，实现稳定的准线性标度自洽场（SCF）。在8,504个分子和固体上联合训练的单一模型可泛化到分布外有机分子、绝缘体和金属，首次无需显式构造Kohn-Sham轨道即可在这些体系上收敛SCF，并以Kohn-Sham DFT精度重现密度、电子谱和结构观测量。线性标度SCF还可在单个GPU上收敛含多达82,500个价电子的镁位错密度。
分子嵌入模型是计算化学与药物发现的基础设施，可复用向量表示支持性质预测、虚拟筛选和检索。多数分子编码器围绕单一分子视图，产生无条件向量，缺乏语言接口。MolEmb 是一个轻量框架，通过双向对比目标将分子概况与文本描述在共享嵌入空间中对齐，使多模态大语言模型（MLLMs）能依据分子概况和自然语言语义上下文生成条件化嵌入；所得模型在性质预测上具有竞争力，并支持跨模态分子—文本检索。作者另提出诊断基准 MolCAR，发现上下文感知分子嵌入主要是监督的数据属性。结果表明 MLLMs 是通往通用分子嵌入模型的可行且可扩展路线。
基于扩散的深度生成模型已成为逆向材料设计的强大工具，但许多现有方法忽略氧化态平衡等关键化学约束，可能产生化学上无效的结构。为此，研究者提出“crystal generator with valence-constrained design”（CrysVCD），一个将化学规则直接整合进生成过程的模块化框架：先由基于Transformer的元素语言模型生成价态平衡的组成，再由扩散模型生成晶体结构。价态约束使化学价态检查比纯数据驱动加后筛选方法高效多个数量级。在稳定性指标上微调后，CrysVCD达到85%亚稳性（Ehull < 0.1 eV/atom）和68%声子稳定性；它还支持高导热半导体和高介电常数（high-κ）材料等功能材料的条件生成，可作为通用插件集成到多种生成流程中。
CuspAI联合创始人Max Welling认为，下一个AI重大突破可能源于物理学原理。他指出，传统AI研究侧重于计算能力、数据和模型规模，而物理定律如对称性和守恒律可为AI架构提供启发。CuspAI利用生成式AI设计关键领域的新材料，物理信息AI有望加速科学发现与创新。Welling还将神经网络内部动态比作能量景观和相变，强调AI与物理的协同关系。
聚乙烯是最常用的合成聚合物之一，但其原子级微观结构的实验精确指认主要局限于高结晶体系。作者将深度势（DP）机器学习力场与经van der Waals（vdW）修正的杂化密度泛函理论（DFT）结合，并借助SeA高通量框架，在乙烯溶剂中模拟了高压（超临界）自由基聚合条件下PE齐聚物和聚合物的结构与动力学。结果显示，含自由基齐聚物的局域溶剂化环境在链长大于n~6时收敛，表明该MLFF可外推至更长聚合物；分子量标度行为呈现经典良溶剂特征，且模型在全原子分辨率下对多种热力学状态点和链长保持稳定保真度。
我们提出一种自动分析晶界微结构的方法，可识别不同界面相及分隔它们的位错线缺陷。与体材料类似，晶界可呈现多种界面相并发生一级相变；相共存时，其空间排列与相结构成微结构，表现为过剩性质变化和带位错含量的线缺陷。现有自动方法无法识别单相、相分辨过剩性质及相结伯格斯含量。该工具面向平面重合点阵晶界，绘制界面微结构图，量化各相过剩性质并估算相结伯格斯含量。案例包括：扩散控制晶界相变中的质量输运；空位与间隙原子环形成的结构不可区分相；含相核的晶界微结构。该框架支持晶界演化定量研究，包括旋节线分解和粗化，对晶界变形、蠕变和迁移有直接意义。
物理神经网络（PNN）硬件对下一代人工智能系统很重要；利用热电流编码和处理信息的声子器件是神经形态计算的一种解决方案。作者将人工神经网络（ANN）反向映射为基于聚合物网络化纳米颗粒（PNNPs）的PNN仿真模型。原子模拟结果表明，聚合物连接的纳米颗粒网络有潜力借助热流实现信息处理。他们用高通量分子动力学（MD）模拟和trust region Bayesian optimization（TuRBO）方法，调节聚合物连接体的可塑性与纳米颗粒温度，类似于调整ANN的权重和偏置。经过5轮高通量MD模拟，PNNP机器性能得到改善；每轮还用测试数据集验证了前5台PNNP机器的热流输出。
大型语言模型（LLM）在化学领域的应用日益增多，但现有化学基准往往只覆盖有限任务，忽视对问题表述和化学表示变化的稳健性，可能高估模型的真实推理能力。为此提出的ChemDIRT（Diversified Instruction, Representation, and Task Benchmark）从指令与分子表示变化入手，横跨八类化学任务，在受控扰动下同时评估准确性与一致性，以提供比传统单一格式基准更可靠的推理评估。对多种开源和闭源LLM的测试显示，模型存在明显的提示敏感性、表示依赖性，且各任务族表现不均衡。
分子Hessian在描述分子振动、轨迹和优化路径中起关键作用，但对中等大小系统用标准量子力学方法计算代价高昂。该论文提出一种机器学习模型，可预测由数千个原子组成的生物体系的Hessian矩阵。该方法基于内坐标学习，固有地具有旋转和平移不变性，且随系统规模扩展良好。训练数据为简单氨基酸，它们是更大蛋白质的构件。由预测的Hessian可计算谐振近似下的热化学性质，包括焓、熵、吉布斯自由能和零点振动能。
MAESTRO是一个大语言模型（LLM）智能体系统，可执行金属有机框架（MOFs）的完整筛选流程。它处理大量MOF文献，将相关论文与其晶体结构关联，整理成可直接用于计算的数据库，再以逐步增加计算成本的策略进行筛选。在湿烟气条件下分离任务中识别出的有前景候选材料均来自互不相关的研究。通过衔接计算材料发现中异质的各个阶段，MAESTRO的LLM智能体可跨应用领域运行，发现常规筛选方法不太可能考虑的高性能材料。
高熵氧化物（HEOs）早期被认为可能大量存在，但实验稳定性无法仅凭离子半径、晶格几何和电荷平衡预测。研究者用机器学习原子间势（MLIPs）从近500种A₂O₃组分中预测可合成性，选出16个候选进行固相与燃烧合成验证，发现3种刚玉结构新HEOs，包括(Al,Cr,Fe,Rh,Sc)₂O₃，以及一种新的阳离子有序相(Al,Fe,Ga,Sc)₂O₃。最常见结果是竞争相混合物，有时涉及氧化还原反应；两种合成方法仅在16种中的3种给出定性相同结果。结论认为HEO远比最初认为的罕见，机器学习可有效引导发现。
微软研究院 AI for Science 开发的 Skala 模型已接入开源软件生态 CP2K，以基于神经网络的交换关联泛函替代密度泛函理论（DFT）中部分传统数学机制。DFT 借助电子密度研究分子与材料的电子结构，而交换关联泛函决定电子密度如何转化为能量与力，直接影响模拟的可靠性；更精确的泛函往往计算代价更高，随粒子数增加成本可能高到难以承受，使高精度计算局限于较小的分子体系。CASUS 主任 Thomas D. Kühne 称交换关联泛函是 DFT 的“阿喀琉斯之踵”。Skala 的神经网络被训练来识别不同区域电子密度之间的相互影响，并据此估算交换关联能。
微软研究院发布的Skala 1.1展示了其深度学习交换关联泛函的持续改进，训练数据比前代多2.5倍，在热化学、反应动力学和分子结构预测等关键模拟任务中精度显著提升。目前Skala已在CP2K中可用，并正在集成到Psi4、FHI-aims、ORCA和VASP中，使下一代DFT精度更贴近日常使用这些代码的研究人员。此外，微软研究院还推出了一个实时基准测试，用于追踪后续优化版本的性能，帮助社区衡量并加速向更高精度和效率的进展。
Monroe是一个新的分子基础模型，在超过8100万个分子的PM6量子化学数据集上预训练，改进了立体化学的图表示、训练损失（包括构象去噪和嵌入去相关）以及多任务学习，并使用TabPFN进行下游上下文预测。在Polaris基准上，Monroe匹配或超过现有模型，在活性悬崖基准上显著优于先前方法。消融和迁移实验表明，基于PFN的下游预测器也能提升MiniMol和CheMeleon，分别产生状态-of-the-art变体MiniMol_PFN和CheMeleon_PFN，表明其适应策略具有通用性。
材料机器学习模型正取代第一性原理计算，物理对称性是核心。旋转对称误差只是近似误差；有些约束精确：中心对称晶体压电张量必为零，非零即物理上不可能。模型能否避免这类预测由训练前一个罕被报告的设计位决定：特征是否带宇称标签。据此推出的“宇称间隙”判据，用群论判断受影响的性质与晶体。在仅差该位的成对架构中测试两千个中心对称晶体，带宇称标签模型停在浮点下限，仅旋转对称模型在90–96%晶体上预测禁戒响应，相差六个数量级，且精度无损。显式零训练无法恢复精确；冻结通用势上的预测头继承主干对称群；随机初始化时一次反射可秒级验证标签。
稀土过渡金属硼化物是永磁体设计的重要结构基元，富锰区域仍少探索。研究以机器学习辅助发现框架探索Y-Mn-B三元体系：由数据库已知结构生成逾百万假想结构，经图神经网络稳定性预测、机器学习原子间势结构弛豫和第一性原理计算验证，识别出5个稳定/近稳定相和61个相对三元凸包形成能在100 meV/原子以内的亚稳化合物。其中Y2Mn7B7、YMn4B4结构类似已合成的R1+εFe4B4一维无公度复合链化合物；计算显示这些Mn链相保留约1.1 μB局域磁矩并倾向铁磁有序，源于Stoner类不稳定性增强的交换劈裂。系统的Mn-Fe取代显示热力学连续性和宏观磁化强度从Fe到Mn单调增强。
块体材料需在大空间尺度（约10^9原子或更多）上进行分子动力学（MD）模拟。现有机器学习原子间势（MLIP）虽将MD扩展到该尺度，但即使单组分体系也需数万块GPU；多组分模拟几乎不可行，因为现有MLIP的HBM占用在单组分体系中已很大，在多组分场景下会爆炸式增长。本文提出一种HBM占用不到现有MLIP 3%的MLIP：引入物理和化学知识降低特征向量维度，并将所有内核融合为单个mega-kernel，从而消除中间张量。评估中，该MLIP用144块NVIDIA A100 GPU，对含1.14×10^9个原子的6组分块体体系完成MD模拟；此前该尺度仅限单组分体系，且通常需要配备数万块GPU的高端超算。
目前，从常规光谱数据中自动解析分子结构仍具挑战。研究团队提出MACROS多智能体系统，模拟专家迭代假设检验过程。该系统在1亿模拟及160万实验光谱-分子对上训练，支持任意常规光谱组合，能对真实样品实现零样本泛化，正确识别分子量大于500道尔顿的合成化合物、天然产物及代谢物。MACROS还能自发从无标注数据中恢复教科书式光谱关联，并展现环优先解析等化学直觉。与化学家协作时，解析速度提升六倍，准确率提高40%，为全自动结构解析奠定基础。
该论文复现了一项提出α-FLOPs估算公式的研究，以检验其在更新更强的硬件上是否仍适用。复现材料存在依赖细节缺失与回归数据不透明等局限。结果支持原始结论：仅FLOPs不足以衡量执行时间，空间维度比核维度更易并行化；但细粒度测量显示关系复杂得多，新硬件上执行时间出现不稳定、跳变和振荡，α-FLOPs公式普遍低估。研究确认原始实证发现，但α-FLOPs估算应用呈负面结果，并强调完整复现包的必要性。
一项研究利用纵向电子健康记录数据，开发并外部验证了机器学习模型，以期更早识别红细胞生成性原卟啉症（EPP）患者。在旧金山两个医疗系统（UCSF和ZSFG）中，共识别74例确诊EPP病例，并以40:1比例抽样症状富集对照。基于CatBoost和MAMBA模型，MAMBA在测试集上表现更优（AUC ROC 0.91），中位提前229天发现病例。在UCSF部署识别310名高风险个体，提示患病率接近遗传学估计。在ZSFG外部验证时性能下降（AUC 0.72），但仍能提前264天检测。研究提示序列模型可缩短诊断延迟，支持主动罕见病病例发现，但需注意跨站点的差异。
生成式人工智能加速了分子设计，但不同模型在不同靶点和临床前药物发现阶段的适用性尚不明确。本研究对12种分子生成与优化方法在176个精选蛋白-配体系统上进行了基准测试，涵盖多种治疗靶点类别。评估了操作稳健性、化学有效性、独特性、分子与骨架多样性、类药性、合成可及性、对接、理化性质及ADMET属性。结果显示架构依赖的权衡：受体条件化方法利用结合口袋几何，流方法高效采样，参考条件化方法有利于类似物生成，合成感知方法提高化学可行性，但无方法一致地优化所有标准。还开发了状态感知功能分类器（SAFC），整合分子动力学受体集合、集合对接和蛋白-配体相互作用图，提供动态感知的功能活性排名，与对接和药物相似性评分部分互补。研究支持生成模型的混合、阶段特异性部署。
科学发现常需优化代价高昂的目标函数，且搜索空间庞大、结构化且开放，如分子、蛋白质序列和计算机程序。生成模型（如大语言模型）虽能提供表达性先验，但其似然和自评估作为目标函数和校准不确定性的代理并不可靠，尤其对训练中未见的新颖候选。为此，研究者提出大型发现模型（LDM）：一种基于经验的循环架构，将生成模型与贝叶斯非参数奖励替代模型相结合。生成模型负责提出和改进候选设计，替代模型预测性能并量化不确定性，产生不确定性感知的价值，引导候选生成、改进和选择。发现记忆和替代模型随每个新实验观测持续更新。LDM在神经网络训练、抗体设计和分子优化三个场景中评估，相比仅用LLM反思或传统统计搜索，LDM实现验证BPB减少2.4倍，结合能相对降低18.2%，分子多目标性能提升超过60%。结果表明LDM可成为开放式假设空间有效搜索的通用发现引擎。
密码子优化通过同义序列变化提高核酸药物的表达和治疗性能。掩码语言模型（MLM）被提议作为传统频率法的替代方案，但其优势尚不明确。我们基准测试了CaLM、EnCodon和CodonTransformer三个MLM，涵盖反向翻译保真度、序列生成和九个分子表型预测任务，并利用SEAP报告基因进行实验评估。模型间差异显著，但无单一模型全面占优，简单序列特征在若干场景仍有竞争力。可解释性分析显示模型整合大范围密码子上下文，体外实验表明MLM设计的变异体在瞬时和稳定表达中均优于常规及商业序列，支持其捕捉翻译上下文的能力，建议多模型采样以提升疗效序列筛选成功率。
WorldRover是一个数据引擎，用于生成艺术家构建环境的丰富标注、长距离探索。其核心WorldRover-Engine是Unreal Engine管线，可执行并离线渲染分钟级路线，同时保留完整轨迹和场景几何。同一探索可在不同环境状态下从第一人称、第三人称和360度全景相机重放。利用该引擎构建了WorldRover-10M数据集，序列将RGB与公制深度、相机轨迹和轨迹导出的动作信号配对。第三人称子集额外提供密集光流、带可见性的长距离2D/3D点跟踪，以及区别于相机轨迹的角色轨迹。该引擎可将遍历从不同视角渲染，同时保留路线和几何，从而将长视野世界探索转化为可扩展的数据生成问题。
从大型植物化学物和合成分子库中筛选候选药物，往往需要大量实验、计算与人工准备。研究者开发了云端分子对接平台 FlexAutoDock，试图把蛋白质—配体对接和大规模虚拟筛选整合到同一工作流中。平台汇集药用植物来源的植物化学物、其他生物活性化合物及 ZINC 合成化合物，并支持通过植物或生物名称、化学名称、SMILES、PubChem CID 和药物名称检索配体。它主要解决现有工具中化合物库分散、植物与成分映射不足、蛋白质和配体准备依赖手工，以及多靶点筛选不便等问题。当前公开摘要重点介绍平台设计与功能，尚未给出足以判断对接精度或实验有效性的量化验证结果，因此实际性能仍需回到原文和平台测试核验。
美国四个实验室的研究显示，实验可变性（如搅拌不一致）会显著影响催化剂性能测量，对用真实数据训练AI模型构成挑战。该研究由SLAC国家加速器实验室牵头，宾州州立大学、斯坦福大学和加州大学圣巴巴拉分校参与，发表于《自然·催化》。研究采用“循环测试”方法，聚焦铑基催化剂在二氧化碳加氢反应中的表现，发现即使遵循相同协议，不同实验室的结果也存在差异，这影响基于机器学习预测催化剂组合的可靠性。
过渡态决定化学反应的速率与结果，但生成式过渡态预测模型在训练域之外的泛化能力尚少有研究。研究者基于小有机分子反应数据集 Transition1x，构建了包含受控元素替换和多样过渡金属配合物的基准，发现模型对训练中未见元素的泛化存在根本局限。采用基于平衡构象的自监督预训练，使模型在定向微调前接触新的化学环境，可在这些基准上改善未见体系的过渡态预测，降低几何结构的中位均方根偏差，并减少微调所需数据量。
人工智能显著扩展了药物发现中的候选化合物生成，但在真实实验约束下选择最优化合物仍是一大瓶颈。该综述探讨了量子退火作为混合计算工作流中下游优化层的潜力。作者关注可表述为二次无约束二进制优化（QUBO）问题的约束主导决策任务，分析了退火架构如何补充AI生成的评分，并讨论了实际硬件限制、报告注意事项以及对经典基线进行严格基准测试的关键作用。
《Nature Machine Intelligence》2026年8月3日在线发表；doi:10.1038/s42256-026-01282-0。生成式机器学习推动了晶体发现，却难以充分探索兼具新颖性与实用性的材料空间。研究利用强化学习把候选生成引向这一区域，从而设计新的功能材料。
MolGEN是一种条件流匹配框架，利用确定性最优传输将高斯先验映射到化学分布。在过渡态生成中，它改善了几何和势垒高度预测，并支持亚秒级采样；在产物生成中达到有竞争力的top-k准确度，同时保持质量和电子平衡。MolGEN用同一骨干网络进行过渡态和产物采样，无需模板即可生成反应网络，避免了重复的量子化学搜索。在γ-酮氢过氧化物分解网络中，仅用12次量子化学评估（传统方法需1156次）即可产生更多有效过渡态，并识别出较低能垒路径。
3月31日，Alan Turing Institute在皇家学会举办AI for Science会议，探讨人工智能如何改变科学发现的性质。会议演讲录像现已在YouTube上发布，涵盖Anna Scaife关于数据密集型天文学中基础模型的演讲、Aron Walsh的Materials on Demand、Scott Hosking的气候AI、Lorenzo Zanisi的AI可控核聚变，以及Miles Cranmer关于外推问题的报告。
SemiEpi系统结合物理模型、原位传感与即时反馈，用于控制分子束外延过程，实现半导体异质结构的按需生长。该方法借助物理信息机器学习，提升晶体生长过程的控制精度，但具体实验细节与结果未在原文中详述。
通用机器学习力场（UMLFF）有望加速材料模拟，但以往评估仅基于计算基准，难以反映真实性能。为此，研究团队提出UniFFBench框架，包含MinX数据集——涵盖85种元素、1500多种矿物体系，涉及极端热力学条件（0-5000 K，0-1000 GPa）及结构复杂性（如部分占据和无序）。通过实验参考值验证，评估了六种先进UMLFF的泛化能力，发现存在显著的“现实差距”：在计算基准上表现优异的模型在实验复杂性下常常失效，即使最佳模型的密度预测误差也超过实际应用阈值，且模拟稳定性与力学性能准确性之间不相关，误差更多与训练数据代表性相关。
本研究将贝叶斯优化与机械化学相结合，开发了快速、无溶剂的Johnson–Corey–Chaykovsky（JCC）环丙烷化和环氧化反应方案。机器学习快速识别出不同于传统爆炸性NaH/DMSO体系的新反应条件，表明该反应可在空气平衡的温和条件下使用廉价安全的KOH碱高效进行。该方法广泛适用、可扩展，并能耐受多种官能团，用于制备各种三元碳环和杂环。
本期节目中，Osmo 创始人兼 CEO Alex Wiltschko 探讨了赋予计算机嗅觉的目标，以及构建嗅觉智能所需的条件。他解释了如何利用图神经网络和高级嵌入空间来捕捉气味的多样结构，将其分组为感知邻域，并创建预测分子气味的机器学习表示。Osmo 从零开始构建了最大的专有嗅觉数据集，用于训练预测模型。嗅觉智能未来可应用于疾病检测、情感感知和消费设备等领域。
NEP89是一个覆盖89种元素的通用神经势能模型，统一了无机与有机体系，旨在实现远超第一性原理方法的模拟速度数个数量级。该模型有望加速材料与化学体系的模拟研究，但具体细节和验证结果有待进一步公开。
Anthropic在Anthropic Science Features发文称，正与世界一流的合成、计算和分析化学家合作，提升Claude的化学能力。作为该工作的首个成果，Anthropic化学家David Kamber考察了Claude如何应对化学家最常用的分析输入——NMR谱。文章强调，化学家需在白板手绘结构、仪器读数、数据库查询字符串及专利/出版物的技术记法之间转换；CAS作为最大的化学登记库，已收录逾2.9亿种已披露物质，每天新增约15,000种。AI虽很适合承担这一研究负担，但在化学领域仍基本停留在愿景层面。
ChemGraph-XANES是一个基于大语言模型（LLM）的智能体框架，整合了基于RAG的文档参数检索、schema约束的工具执行、确定性FDMNES输入生成、Parsl并行执行和来源可追踪的数据整理。评估中，基于组分、基于结构文件和基于文档RAG的运行分别有10/10、10/10和9/10完成端到端任务；每次RAG运行都正确传递了从FDMNES手册检索到的能量网格参数，唯一一次端到端失败发生在下游多结构处理。另一项任务并行演示中，该框架从Materials Project检索21个TiO2结构，并为每个结构提交一个FDMNES计算，全部成功完成。这些结果表明，该框架为计算光谱学提供了受约束且可复现的编排层。