Elements Claw – 阿里达摩院AI智能体自主发现全新超导材料

Elements Claw是阿里达摩院联合中国人民大学、中国科学院大学等机构发布的全球首个超导材料发现专用AI智能体。首次实现AI自主完成从材料筛选、可行性评估到实验方案设计的全流程闭环，成功从240万晶体结构中预测出6.8万个超导候选材料，并实验验证4种全新超导材料（临界温度最高6.5K），将传统以年计的超导材料发现周期压缩至28个GPU小时。与传统AI工具不同，它不仅是预测模型，更具备类似人类科学家的自主推理与实验设计能力。

Elements Claw核心特点

全流程自主性
- 突破传统AI工具局限，不仅能预测材料性质，还可自主查阅文献、评估合成可行性、设计实验方案，实现从“预测”到“验证”的完整闭环。
- 具备自我进化能力，能通过挖掘新文献动态优化算法模型，持续提升预测准确率。
超高效率与精度
- 仅用28个GPU小时完成240万晶体结构的筛选，效率较传统人工方法提升数百倍。
- 判断材料超导性的AUC指标达0.996，预测临界温度的平均误差控制在1K以内，远超传统计算方法。
开放共享生态
- 预测的240万稳定晶体数据库已向全球科研人员免费开放，支持材料科学领域的协作创新。
- 技术框架可迁移至固态电池电解质、多相催化剂等新材料研发领域。

Elements Claw技术原理

1. “专通融合”双层架构

专有模型层（原子基础模型Elements）
基于1.25亿分子与晶体结构数据库预训练出10亿参数模型，专精原子级物理特性计算，直接关联材料结构与超导性。
通用智能体层
整合工具调用、流程编排与文献复核能力，模拟人类科学家工作流，自动完成“预测→可行性评估→实验设计”链条。

2. 闭环验证机制

预测与实验强耦合：筛选结果需通过合成可行性评估（如热力学稳定性、元素可获取性）才能进入实验队列。
动态纠错能力：能识别并修正数据库中的构型错误（如Zr₄VRe₇的原始结构错误），提升预测可靠性。

3. 高效筛选逻辑

优先聚焦“高潜力区域”：结合物理先验知识（如电子-声子耦合强度）缩小搜索范围，避免盲目穷举。
多模态数据融合：同步分析晶体结构、文献经验与实验约束条件，显著降低假阳性率。

Elements Claw核心功能

1. 超导材料高效发现

从240万晶体结构中精准定位6.8万个超导候选材料，数量级上超越SuperCon数据库30余倍（SuperCon数十年仅收录约2000种）。
覆盖四类典型发现路径：
- 挖掘数据库中的“漏网之鱼”（如Hf₂₁Re₂₅）；
- 修正构型错误后“正名”材料（如Zr₄VRe₇）；
- AI从头设计全新结构（如HfZrRe₄）；
- 基于相似结构举一反三（如Zr₃ScRe₈）。

2. 实验全流程支持

自动生成可执行实验方案，包括元素配比、合成温度、验证测试等关键参数。
预判合成难点（如稀有元素替代方案），减少实验试错成本。

3. 跨领域迁移潜力

技术框架已验证可扩展至固态电池电解质、热电材料等方向，核心逻辑适用于任何依赖高通量筛选的新材料研发。
通过调整预测目标（如离子电导率、催化活性），快速适配新场景。

Elements Claw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

与传统方法的本质差异

角色定位
- 传统AI：仅作为辅助工具提供预测结果；
- Elements Claw：扮演类科学家主体角色，独立完成从假设生成到验证设计的完整科研流程。
效率与规模
- 传统方法依赖人工试错，单材料研发周期以年计；
- 该系统将筛选效率提升至240万结构/28 GPU小时，且验证通过率显著提高（4/6.8万候选材料已实验确认）。
科学发现逻辑
- 传统路径：基于经验直觉→小规模计算→实验验证；
- AI智能体路径：全域高通量筛选→物理可行性过滤→定向实验验证，避免人类认知偏差。

Elements Claw标志着材料科学从“经验驱动”向AI自主探索范式的关键转折。核心的价值不仅是加速超导材料发现，更在于重构科研基础设施——通过将重复性工作（文献检索、初筛计算）交由AI处理，使科学家聚焦于更高阶的理论创新与实验设计。当前成果虽集中于低温超导领域，但其技术框架为突破室温超导等长期难题提供了可扩展的工具链基础。