MIND：面向材料研究的AI合作科学家

arXiv 2026 71.8 method

TLDR

MIND是一个由LLM驱动的多智能体框架，通过计算机模拟实验自动验证材料研究中的假设。

评分理由

The paper presents a novel framework integrating LLMs with ML interatomic potentials for automated hypothesis testing, which is a strength. However, it lacks real-world experimental validation and is limited to in-silico simulations, reducing its immediate applicability.

Read-first 评分解释

综合优先阅读分 71.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 74。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：有；数据：无；命中信号：代码、GitHub

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验、结果、验证

主题相关性 42%

61.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

研究版图角色

前沿论文桥接论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：22。

关键词评分

AI scientist

automated scientific discovery

scientific discovery agent

autonomous research agent

automated research

automated experimentation

AI for scientific research

research automation

experiment design agent

literature review agent

survey generation

paper writing agent

深度分析

创新点

用于材料研究中假设自动验证的LLM驱动多智能体框架
集成机器学习原子间势（SevenNet-Omni）以实现可扩展的计算机模拟实验
多智能体流水线中的基于辩论的验证
用于自动化假设测试的基于Web的用户界面
允许集成额外实验模块的模块化设计

方法

MIND是一个由LLM驱动的框架，通过多智能体流水线将科学发现过程组织为假设细化、实验和基于辩论的验证。它集成了机器学习原子间势（SevenNet-Omni）用于计算机模拟实验，并提供了基于Web的界面用于自动化假设测试。

关键结果

摘要未报告具体的实验结果；它描述了系统架构和能力。

技术栈

LLMSevenNet-OmniMulti-agent pipelineWeb-based UI

资源

论文代码