Elements Claw - 阿里达摩院开发的超导材料发现 AI 智能体

Elements Claw是什么

ElementsClaw 是阿里达摩院联合中国人民大学、中国科学院大学推出的行业首个超导材料发现 AI 智能体，采用专通融合架构，将 10 亿参数原子基础模型 Elements 与大型语言模型结合，实现从文献检索、性质预测到实验方案设计的全流程自动化材料筛选。智能体仅用 28 个 GPU 小时即完成 240 万晶体结构筛选，预测出 6.8 万个超导候选材料，成功实验验证 4 种全新超导材料。

Elements Claw的主要功能

• 超导临界温度预测：基于 Elements-T 模型精准预测材料 Tc 值，平均误差控制在 1K 以内。
• 超导性二元分类：通过 Elements-C 判断材料是否具有超导性，AUC 高达 0.996。
• 热力学稳定性评估：用 Elements-E 评估候选材料的合成可行性与结构稳定性。
• 晶体结构生成：通过 Elements-G 实现从头结构设计，支持 motif 引导与全新相探索。
• 文献智能综合：LLM 自动检索、阅读并提炼科学文献，挖掘分散的实验知识。
• 实验方案设计：综合数值计算与语义推理，输出可执行的合成路径与验证策略。

Elements Claw的技术原理

• 原子基础模型 Elements：基于 1.25 亿分子和晶体结构预训练的 10 亿参数模型，采用 EquiformerV2 等变架构，实现周期晶体与非周期分子的统一表示。数据集包含有 85.1% 的周期晶体与 14.9% 的非周期分子，同时覆盖平衡态稳定结构与高能量非稳定构型，确保模型学习 robust 的跨化学域表示。
• 多任务预训练策略：对平衡态输入执行坐标/晶格参数去噪任务；对非平衡态输入同步预测体系能量与原子力。策略使模型同时掌握稳定物质的静态结构特征与驱动结构演化的动态力场。
• 专通融合 Agent 架构：专有模型层（Elements-T/C/E/G）负责原子尺度的数值计算；通用 LLM 层负责高层语义推理、文献综合与决策规划。两者通过函数调用协调，由 LLM 编排任务链，自适应组合内外部工具。
• 自我进化机制：Agent 可从文献中提炼新见解，通过微调 Elements 自主创建新技能工具（如 Elements-C），实现”发现需求—制造工具—验证效果”的闭环能力扩展。

如何使用Elements Claw

• 访问开放数据库：科研人员登录 https://science.damo-academy.com，免费获取 ElementsClaw 预测的 240 万稳定晶体完整数据。
• 设定探索目标：在系统中输入研究需求，例如”筛选 Hf-Zr-Re 三元体系中 Tc 大于 4K 的超导候选”。
• 启动智能筛选：ElementsClaw 自动调用 Elements-T 进行高通量性质预测，同时由 LLM 检索并综合相关文献证据。
• 获取候选清单：系统输出高置信度候选材料列表，附带预测 Tc、稳定性指标、合成可行性及文献支撑。
• 实验合成验证：根据 Agent 推荐的合成方案，在实验室制备目标材料并测试电阻-温度曲线与磁化率。

Elements Claw的核心优势

• 效率颠覆：28 GPU 小时完成传统方法数十年的筛选工作量，覆盖 240 万晶体结构。
• 精度领先：超导性判断 AUC 达 0.996，Tc 预测 MAE 仅 0.992K，显著优于现有基线。
• 自我进化：无需人工开发新工具，Agent 可自主从文献中学习并创建新技能。
• 闭环验证：首批 4 种 AI 设计材料全部通过实验验证，实现从预测到合成的真实落地。
• 数据开放：完整预测数据库向全球学术界免费开放，促进后续挖掘与协作。

Elements Claw的项目地址

• 项目官网：https://developer.damo-academy.com/material
• arXiv技术论文：https://arxiv.org/pdf/2604.23758

Elements Claw的同类竞品对比

对比维度ElementsClawGNoME（Google DeepMind）核心定位AI 智能体框架（决策+预测+实验闭环）材料稳定性预测基础模型技术路线原子模型与 LLM 的专通融合图神经网络大规模稳定性筛选验证深度实验验证 4 种全新超导材料预测 220 万稳定晶体，实验验证较少自我进化支持，可从文献自主创建新技能不支持动态技能扩展应用侧重复杂功能材料（超导、催化、电池）广泛的无机晶体稳定性评估

Elements Claw的应用场景

• 超导材料发现：快速锁定高临界温度超导候选，大幅缩短”试错式”实验周期。
• 固态电池电解质开发：预测离子导体材料的稳定性与传输性能，加速下一代电池研发。
• 多相催化剂设计：挖掘具备高效催化活性位点的新型化合物，推动化工与能源转化。
• 热电材料探索：筛选兼具优异塞贝克系数与低热导率的能源转换材料。
• 数据库知识补全：自动从分散文献中找回被主流数据库遗漏的已知功能材料。