日本东北大李昊团队: 开发"DIVE"工作流+AI智能体加速储氢材料设计

东北大学李昊团队在《Chemical Science》发表新研究，提出DIVE工作流，将AI智能体、机器学习模型与大规模文献和实验数据库结合，用于加速储氢材料的发现和优化。

DIVE工作流与数据库构建

研究团队构建了覆盖约4000篇文献和3万条数据的储氢材料数据库，并通过特征工程和标签构建，训练机器学习模型以预测材料的储氢密度与稳定性，形成端到端的候选筛选流程。

AI智能体在材料筛选中的角色

AI智能体在工作流中负责整合文献知识、生成假设、调用预测模型并设计后续计算或实验任务，从而将人工判断自动化并大幅缩短候选提取时间，从数周缩短到数分钟级别。

实验验证与性能提升

团队对若干由模型筛选出的候选进行了DFT计算与实验验证，结果显示在储氢密度和吸放条件等关键指标上实现了显著提升，证明该方法在实际材料发现中具有可行性。

未来展望与产业化路径

作者指出，结合更大规模的高质量数据、改进的物理-机器学习混合模型以及实验自动化平台，AI智能体驱动的工作流有望在更多能源材料领域实现快速迭代与产业化应用。此外，开放数据与模型共享将进一步加速科研协作与创新。

如有侵权，请联系删除。