arXiv cs.MA· Geonhee Ahn, Donghyun Lee, Hayoung Doo, Jonggeol Na, Hyunsoo Cho, Sookyung Kim·· 11 小时前AI 评分29
MIND：面向材料研究的 AI 联合科学家框架
MIND: AI Co-Scientist for Material Research
AI 导读
MIND 是一个 LLM 驱动的材料研究框架，将科学发现流程组织为假设精炼、实验和基于辩论的验证多智能体流水线。系统集成机器学习原子间势（尤其是 SevenNet-Omni）实现可扩展的硅基实验，并提供网页界面用于自动化假设测试。模块化设计支持接入更多实验模块，代码已开源，论文被 ECML PKDD 2026 Demonstration Track 接收。
正文 · AI 翻译
摘要：大型语言模型（LLM）已使能用于科学发现的智能体 AI 系统，但大多数方法仍局限于基于文本的推理，缺乏自动化实验验证。我们提出 MIND，一个由 LLM 驱动的框架，用于材料研究中的自动化假设验证。MIND 将科学发现过程组织为多智能体流水线中的假设精炼、实验和基于辩论的验证。对于实验验证，该系统集成了机器学习原子间势，特别是 SevenNet-Omni，从而实现可扩展的硅内实验。我们还提供了一个基于 Web 的用户界面，用于自动化假设测试。模块化设计允许集成额外的实验模块，使该框架能够适应更广泛的科学工作流。代码可在以下地址获取：this https URL，演示视频见：this https URL。
| 注释： | 4 页，3 幅图。已被 ECML PKDD 2026 演示轨道接收。代码：this https URL 。演示视频：this https URL |
| 主题： | 多智能体系统（cs.MA）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2604.13699 [cs.MA] |
| （或 arXiv:2604.13699v2 [cs.MA] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2604.13699 arXiv 颁发的 DOI，经由 DataCite |
|
| 期刊 参考： | 载于：Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track, Demo Track and Industrial Track, LNCS 16950, pp. 324-328 (2027) |
| 相关 DOI： | https://doi.org/10.1007/978-3-032-37685-5_27
链接到相关资源的 DOI |
提交历史
来自：Dong Hyun Lee [查看电子邮件]
[v1]
2026 年 4 月 15 日星期三 10:27:01 UTC（2,028 KB）
[v2]
2026 年 11 月 4 日星期三 20:55:55 UTC（2,028 KB）
来源：arXiv cs.MA · arxiv.org