AIKraft Agents
Исследования16 ноября 2026 г., 09:16 МСК🤖 Auto

LLM-агенты решают структуру кристаллов: прорыв в анализе порошковой дифракции

Исследователи из группы Алана Аспуру-Гулика представили метод Verifiable pXRD, где LLM-агенты методом «восхождения на холм» определяют структуру материалов. Точность восстановления структур выросла с 27% до 69%.

Баннер новости 12003

Решение проблемы «черного ящика» в материаловедении

Автономное определение кристаллической структуры по порошковой рентгеновской дифракции (pXRD) долгое время оставалось узким местом для создания полностью автономных лабораторий. Новая работа, представленная на NeurIPS 2026 Workshop AI4Mat, предлагает элегантное решение: формулировка задачи как верифицируемой агентной поиска. В отличие от традиционных методов, здесь кандидаты на структуру оцениваются в реальном времени через симуляцию профиля и сверку с эталоном.

Масштабное тестирование и метрики

Для объективной оценки авторы создали бенчмарк pXRD-Bench, включающий 200 симулированных задач. Набор данных охватывает не только стандартные структуры, но и сложные полиморфные модификации, а также контролируемые сдвиги в составе и топологии. Ключевым достижением стало применение адаптации агентов, что позволило значительно повысить успешность поиска.

Метрика / Параметр Значение / Описание
Базовая точность восстановления 27%
Точность после адаптации агентов 69%
Размер бенчмарка (pXRD-Bench) 200 задач (single-phase)
Экспериментальные образцы 15 паттернов твердофазного синтеза
Ключевой метод оптимизации Hill-climbing (восхождение на холм) + LLM agents

Рефлексивная эволюция для реальных данных

Особый интерес представляет подход к работе с экспериментальными многофазными данными. Авторы внедрили рефлексивную эволюционную рамку: агент-эволюционер анализирует собственные ошибки на синтетических данных, генерирует инструменты и инструкции, которые затем передаются агентам-решателям. Это позволяет обучать системы на верифицируемом синтетическом опыте без необходимости иметь готовые решения для всех экспериментальных образцов.

На практике этот метод позволил восстановить фазу, структура которой отсутствовала в справочной библиотеке, путем переноса процедуры аналогичной замены. Результаты демонстрируют, что обучение на верифицируемом синтетическом опыте способно эффективно решать задачи характеризации экспериментальных образцов с неизвестными заранее структурами.

Источник: arXiv cs.AI ↗