8月16日提交arXiv的研究（arXiv:2608.15928）"Synthesizing like a chemist: an iterative, feedback-driven loop for materials discovery"提出一个把人类默会知识（tacit knowledge）纳入闭环的自动化合成优化框架。大多数计算预测的材料从未被合成，因为传统合成优化缓慢、高度依赖专家经验且充满迭代试错。该框架的核心是大语言模型（LLM）：从文献中蒸馏合成知识，结合高通量高光谱成像对反应结果的实时表征，形成"假设-实验-反馈-修正"的自动化专家工作流。LLM在其中扮演"资深化学家"的角色——解读文献先验、规划实验参数、依据反馈调整下一轮方案，将通常需数月的人工优化压缩至自动化循环。研究展示了该框架在新材料合成验证中的成效，验证了"LLM+自动化实验平台"作为材料发现通用加速器的可行性。对计算材料学界而言，这项工作直面"预测多、合成少"的落地瓶颈，为AI驱动的材料发现补上了合成自动化这一关键拼图。 （来源：arXiv）