8月27日消息，Phys.org报道，圣路易斯华盛顿大学的科研团队正在推进"自动驾驶实验室"（self-driving lab）向规模化材料发现迈进：化学助理教授郑志灵（Zhiling Zheng）在Science期刊撰文，提出让AI系统"像化学家一样读懂化学"的方法论，并用金属有机框架（MOF）材料完成了实证。

研究团队用大语言模型训练了一个基于文献的数据集——涵盖约4000个MOF连接体转化反应，相当于给AI4000套"乐高积木"的搭建说明。随后AI智能体根据化学约束对这4000种转化进行再筛选，并借助计算模拟，最终发现了10种新的可行材料，其水收集性能优于最先进的铝基吸附剂。值得注意的是，这些发现并非通过传统"暴力筛选"连接体的劳动密集型方式获得，而是由模型建议引导的靶向设计——模型从文献沉淀的社区知识中学习。

配套的数据基础工作同期落地：McKelvey工程学院的Christopher Cooper与NIST的Kathryn Miller在Matter发表论文，介绍"策展材料科学文献库的自动化方法"（动态聚合物注释库）。Cooper指出，模型已被喂饱了化学的已知规则，缺的是执行这些规则的"配方"——埋在过去百年期刊、教科书和脚注中的合成操作指令，必须先收集、翻译再"喂"给模型。聚合物样品中可能有数百万种不同分子，Cooper与Miller用概率分布集合来表示这种分散性，让机器快速理解预测设计的成功概率。

两篇论文分别为：Zheng, Reprogramming synthesis, Science（DOI: 10.1126/science.aeh4807）；Miller等，Matter（DOI: 10.1016/j.matt.2025.102624）。这一路线若与自动化实验平台结合，材料研发可望摆脱逐个试错的模式——用郑志灵的话说，科学家"可以当经理，而不是在实验室干10个小时"。 （来源：Phys.org）