人工智能代理揭示铝纳米粒子如何氧化

建立原子如何相互作用的精确模型是一个复杂的过程。研究人员必须选择新的计算，测试连续的模型，并跟踪每次相互作用背后的机制。但新开发的人工智能代理 MLP Copilot 通过将计算工具和科学证据与人类监督联系起来，使这一过程变得更加容易。

东北大学高级材料研究所 (WPI-AIMR) 杰出教授李浩表示：“就像自动驾驶仪让飞行员的生活变得更加轻松一样，我们的通用框架旨在提高材料科学的效率，同时不考虑实际人类掌管的需要。”

MLP Copilot 从量子计算中学习原子能量和力，其模型可以继续使更大规模的模拟变得可行。该框架的协调方法可以跨材料系统重复使用，并针对每个应用程序量身定制计算、培训数据和验证。

该研究于 2026 年 10 月 15 日以直接投稿形式发表在《美国国家科学院院刊》(PNAS) 上。

为了演示该框架，该团队研究了铝纳米粒子的氧化。这些颗粒储存了大量的化学能，但表面氧化物壳可以限制它们与氧气的反应。了解外壳的变化可以指导未来控制氧化和能量释放的努力。

在大约 80 次主动学习迭代中，研究人员组装了 88,833 个原子配置。不确定的配置引导额外的量子计算和模型训练。与参考结果、热力学性质和独立集群测试的比较有助于在将模型用于氧化模拟之前对其进行评估。

模拟揭示了具有现有氧化物壳的粒子的两种行为。在研究中的中等温度下，临时的纳米级路径允许氧化继续，同时限制材料传输——一种“呼吸模式”。在较高温度下，外壳破裂使铝芯暴露于氧气中并加速氧化。分析表明，在所研究的条件下，铝的向外运输是主要途径。

在整个工作流程中，人工智能代理组织项目知识、检索证据并支持验证计划。计算工具保留了数据集、模型版本和评估报告。尽管如此，研究人员还是决定了接受哪些模型、在哪里使用它们以及如何解释结果。

这项工作反映了从使用人工智能进行个人计算到通过人机协作组织研究的更广泛的转变。此类工作流程可以支持未来对递归自我改进（RSI）的研究，其中反馈可以提高系统的功能及其进一步改进的能力。未来的代理人可以从经过验证的结果中学习，以完善他们的计划和工具的使用，每个变化都由研究人员进行评估。

对于材料科学来说，每次研究都可以产生新的物理见解和可重复使用的知识，以改进下一个研究周期。

出版详情：

标题： 多AI代理框架揭示了铝纳米粒子氧化中的“氧化物守门人”

作者： 卢一鸣、卢婷玉、张迪、叶莉莉、李浩

杂志： 美国国家科学院院刊 (PNAS)，123 (42)，e2537780123 (2026)

数字编号： 10.1073/pnas.2537780123