纳米晶数据库+大语言模型助力逆向合成设计

背景：当前深度学习在材料结构预测方面取得显著进展，但材料化学领域仍面临“知其结构不知其造法”的困境，纳米晶合成参数与性质间复杂关联导致传统“试错法”效率低下。研究目的：为突破逆向合成设计的瓶颈，北京理工大学研究团队开发了一套基于大语言模型的解决方案，旨在实现从目标产物直接输出可执行合成路线的精准逆向生成。结论：团队首先构建了NanoExtractor大模型，采用四种数据增强策略，从非结构化文献中提取近16万条对齐数据，建立了纳米晶合成-性质（NSP）数据库，提取精度提升至92%。在此基础上开发了NanoDesigner逆向设计模型，F1得分达0.85，ROUGE得分达0.42，能有效生成具体合成路线。实验验证了模型在CsPbBr3、PbS、MgF2等纳米晶体系中的可靠性，其中MgF2合成中模型成功识别了非化学计量比抑制副产物的关键条件，超越了GPT等通用大模型。该研究为纳米材料的高效精准合成开辟了新路径。