当前，人工智能技术的快速发展正深刻改变科研方式与范式。以大语言模型(Large Language Models, LLMs)为代表的新一代智能模型，凭借复杂信息理解、推理及知识整合能力，已从传统计算工具演进为辅助甚至指导科研的智能系统，为材料科学、光学传感探测、工程技术科学等领域研究提供了全新技术支撑与思路。
文章全面总结了大语言模型在材料科学领域的核心能力与应用场景，涵盖材料知识问答、文献知识抽取、合成路线解析、材料性质预测、逆向设计以及与密度泛函理论(DFT)、晶体结构预测(CSP)等传统材料计算方法的协同应用；重点介绍了通用型语言模型与材料领域专用模型(如MatBERT、MatSciBERT、LLaMAT等)的发展现状，展示了大模型在金属、陶瓷、高分子、能源材料及催化剂等多类材料体系中的实际应用案例。
图 大语言模型及其在材料科学中的基础框架与应用概览
围绕“LLM 赋能材料设计”前沿方向，文章明确了大语言模型在材料研究中的三类关键作用：
(1)知识获取与结构化：从大规模文献中自动抽取材料组成、工艺条件与性能指标，实现材料数据库的高效构建；
(2)辅助设计与智能推理：通过语义理解与生成能力支持材料设计、性质预测与实验规划；
(3)自主科研系统的核心组件：作为检索增强生成(RAG)、科学智能体(Science Agents)和自驱动实验系统(Self-Driving Labs)的认知核心，实现材料研发流程的智能化与自动化。
同时，文章还展望了融入物理规律的材料大模型架构(Physics-Informed Transformers)、多模态材料模型构建、跨尺度知识融合以及面向智能实验平台的自动化控制体系等，为材料智能研究提供了明确的发展路径和技术蓝图。
西安光机所光谱成像技术研究室在光学信息处理、人工智能、材料智能设计等交叉方向持续开展系统研究，并取得一系列重要成果。此次文章发表进一步完善了研究所在“AI+材料”研究方向的布局，对促进人工智能在材料科学领域的深度应用具有积极意义。
