Elements Claw - 阿里达摩院推出的超导材料发现 AI 智能体

Elements Claw是什么

先来看个有意思的数字：28个GPU小时。这个时间，大概就是普通科研人员周末加个班的时间，但Elements Claw在这期间扫了240万个晶体结构，从中筛出了6.8万个超导候选材料，最后还实验验证了4个全新的超导材料——全都是之前没人发现的。

Elements Claw是阿里达摩院联合中国人民大学、中国科学院大学开发的一个超导材料发现AI智能体，也是行业首个专门干这个的。它的技术路线很有意思，用了一个“专通融合”架构：一边是10亿参数的原子基础模型Elements，另一边是大语言模型。这套组合把从文献检索、性质预测到实验方案设计的所有环节都给包圆了，全流程自动化。

Elements Claw的主要功能

• 超导临界温度预测
  ：基于Elements-T模型，它能把材料的Tc值算得贼准，平均误差控制在1K以内。

• 超导性二元分类
  ：用Elements-C判断一个材料到底有没有超导性，AUC值能做到0.996——接近完美。

• 热力学稳定性评估
  ：Elements-E专门干这个活，评估候选材料到底能不能合成、结构稳不稳。

• 晶体结构生成
  ：Elements-G支持从头设计结构，不管你是用motif引导还是彻底探索新相，它都能搞定。

• 文献智能综合
  ：LLM自动去翻文献、读文献、提炼关键信息，把那些散落在各篇论文里的实验知识整合起来。

• 实验方案设计
  ：综合数值计算的结果和语义推理的结论，输出的是可以直接进实验室干活的合成路径和验证策略。

Elements Claw的技术原理

• 原子基础模型 Elements
  ：模型有10亿参数，基于1.25亿个分子和晶体结构预训练，用的是EquiformerV2等变架构。有意思的是，它同时处理周期晶体和非周期分子——数据里85.1%是周期晶体，14.9%是非周期分子。而且它不仅看平衡态的稳定结构，连高能量的非稳定构型也学，目标是让模型学到真正的跨化学域表征能力。

• 多任务预训练策略
  ：对平衡态输入，它执行坐标/晶格参数去噪任务；对非平衡态输入，它同步预测体系的能量和原子力。这个策略让模型既掌握了稳定物质的静态结构特征，又能理解驱动结构演化的动态力场——说白了，就是静态动态一块儿学。

• 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层管高层语义推理、文献综合和决策规划。两层通过函数调用协调，LLM编排任务链，灵活组合内外部工具。这个设计挺聪明的，各层干各层擅长的事。

• 自我进化机制
  ：这个Agent能从文献里自己提炼新见解，然后通过微调Elements自主创建新技能工具——比如它就是这么创造出来的Elements-C。整个过程形成"发现需求→制造工具→验证效果"的闭环，能力自己就扩上去了。

如何使用Elements Claw

• 访问开放数据库
  ：科研人员直接登录https://science.damo-academy.com，就能免费拿到ElementsClaw预测的那240万稳定晶体的完整数据。

• 设定探索目标
  ：在系统里输入你的研究需求，比如"筛选Hf-Zr-Re三元体系里Tc大于4K的超导候选"。

• 启动智能筛选
  ：ElementsClaw自动调用Elements-T做高通量性质预测，同时LLM会检索并综合相关的文献证据。

• 获取候选清单
  ：系统输出的是一份高置信度的候选材料列表，每个候选材料都附带了预测Tc、稳定性指标、合成可行性以及文献支撑。

• 实验合成验证
  ：照着Agent推荐的合成方案进实验室，制备目标材料，然后测电阻-温度曲线和磁化率，验证结果。

Elements Claw的核心优势

• 效率颠覆
  ：28个GPU小时干了传统方法需要几十年的筛选工作量，覆盖240万晶体结构。这个效率差距不是一点点。

• 精度领先
  ：超导性判断的AUC做到了0.996，Tc预测的MAE只有0.992K——明显优于现有的基线模型。

• 自我进化
  ：不需要人工开发新工具，Agent自己就能从文献里学，然后创建新技能。这个能力在材料发现领域还挺少见的。

• 闭环验证
  ：第一批AI设计的4种新材料，全部通过了实验验证。不是只停留在预测阶段，而是真真切切从预测走到了合成。

• 数据开放
  ：完整的预测数据库向全球学术界免费开放。这意味着其他团队可以拿这些数据去做进一步的挖掘和协作。

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

拿它和Google DeepMind的GNoME放一起比比，差异挺明显的。GNoME本质是个材料稳定性预测的基础模型，技术路线是图神经网络，做大规模的稳定性筛选。而ElementsClaw的核心定位是AI智能体框架——它不光能预测，还能做决策和实验闭环。更重要的是，它支持从文献中自主创建新技能，而GNoME不支持动态技能扩展。应用侧重点也不同：ElementsClaw更聚焦复杂功能材料（超导、催化、电池），GNoME则更偏向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，把传统"试错式"实验周期大幅缩短。

• 固态电池电解质开发
  ：预测离子导体材料的稳定性和传输性能，加速下一代电池的研发进程。

• 多相催化剂设计
  ：挖掘那些具备高效催化活性位点的新型化合物，推动化工和能源转化领域的进展。

• 热电材料探索
  ：筛选同时具备优异塞贝克系数和低热导率的能源转换材料。

• 数据库知识补全
  ：自动从分散的文献里找回那些被主流数据库遗漏的已知功能材料，填补知识空白。