夜雨聆风基于2025-2026年发表的AI×材料科学综述论文，系统梳理了该领域被重点提及的100+个AI工具、模型和平台，按功能划分为16大类，帮你快速建立生态认知。
作为所有材料科学AI工具的底层引擎。
领域细分已成为趋势——从通用材料到合金、聚合物、电池、催化剂，每个方向都有了专属大模型。
| MatSciBERT | ||
| MatBERT | ||
| AlloyBERT | ||
| Mol-LLM | ||
| BindGPT | ||
| ChemMLLM | ||
| PolyBERT / TransPolymer | ||
| PolySea | ||
| SteelBERT | ||
| Perovskite-LLM | ||
| BatteryBERT | ||
| OpticalBERT | ||
| CatGPT | ||
| MatterChat | ||
| BioinspiredLLM | ||
| MechGPT |
结构化知识是AI驱动材料发现的数据底座。
| MatKG | ||
| MOF-KG | ||
| MGED-KG | ||
| Materials Project | ||
| Materials Cloud | ||
| NOMAD | ||
| AFLOW | ||
| QE-KG（GENIUS） |
从"预测性能"到"生成结构"的范式跃迁。
| ChatMOF | ||
| MatterGen | ||
| MOFGen | ||
| MatAgent | ||
| MAPPS | ||
| dZiner | ||
| CrystalGAN | ||
| MatterGEN | ||
| MolGPT | ||
| MatLLMSearch | ||
| POLYGON | ||
| SPARROW |
最值得关注的新生力量——AI从回答问题变成主动规划执行科研任务。
| GENIUS | ||
| FORUM-AI | ||
| Coscientist | ||
| MARS | ||
| PriM | ||
| SciAgents | ||
| SciMON | ||
| AccelMat | ||
| Dolphin | ||
| MOOSE-Chem系列 | ||
| PiFlow | ||
| DREAMS | ||
| AtomAgents |
帮助材料科学家从海量论文中"消化"结构化数据。
| ChemMiner | ||
| nanoMINER | ||
| Eunomia | ||
| SLM-MATRIX | ||
| DIVE | ||
| HoneyBee / HoneyComb | ||
| ChemDataExtractor |
基于RAG和工具调用的新一代智能问答。
| CRAG-MoW | ||
| CACTUS | ||
| CheMatAgent | ||
| ChemAgent |
将仿真和预测工作流自动化的智能体系统。
| MatSciAgent | ||
| MDAgent | ||
| xChemAgents | ||
| LLaMP | ||
| MDCrow |
材料科学计算的基础设施工具。
| VASP | ||
| Quantum ESPRESSO | ||
| LAMMPS | ||
| pymatgen | ||
| AiiDA | ||
| Simmate |
| SpectATNet | ||
| Noise2Inverse | ||
| SHAP | ||
| AdaptiveXRD | ||
| Crystallography Companion Agent |
| BEGAN算法 | ||
| AMGPT | ||
| AutoMEX |
终极闭环：AI提假设→机器人执行→数据反馈→迭代。
| A-Lab | ||
| ChemOS 2.0 | ||
| CARCO | ||
| Polybot | ||
| JHU APL自主平台 |
| AlphaFold | ||
| RoseTTAFold | ||
| BioinspiredLLM |
支撑所有智能体系统的基础框架。
| LangChain / LangGraph | ||
| AutoGen | ||
| CrewAI | ||
| ReAct | ||
| Reflexion | ||
| FAISS / Milvus | ||
| PyLabRobot | ||
| MatSciBench / MSQA |
技术落地的最后一公里。
| Citrine | ||
| ExoMatter | ||
| Kebotix | ||
| Periodic Labs |
| 图神经网络（GNN） | ||
| GAN / VAE / 扩散模型 | ||
| 贝叶斯优化 | ||
| XAI（可解释AI） | ||
| PIML（物理信息ML） | ||
| Faster R-CNN / CNN | ||
| LSTM |
三个趋势判断：
1️⃣ 领域专用LLM正在加速分化。从MatSciBERT到CatGPT，每出现一个材料子领域就会有对应的专用模型，这种"精耕细作"的趋势会持续加速。
2️⃣ 智能体框架是当前最活跃的赛道（17个）。GENIUS（80%一次成功率）、FORUM-AI（全栈设计）等框架证明：从"回答问题"到"执行科研任务"的技术拐点已经到来。
3️⃣ 闭环系统开始产出真实成果。MOFGen合成5种真实MOF、A-Lab实现自主无机材料合成、CARCO 43天发现催化剂——AI+机器人自主实验室正在从概念验证走向学术界和工业界。
不能回避的现实：
MIT报告指出95%的AI试点项目在公司层面失败，42%的项目零回报。数据质量、黑箱问题、可扩展性仍然是横亘在工具与应用之间的三座大山。
本文数据来源（6篇论文/报告）：
1️⃣ Abu-Shams (2026) — AI整合材料科学综述，Discover Applied Sciences
2️⃣ Kim (2026) — AI驱动聚合物涂层，Polymers
3️⃣ Berkeley Lab (2026) — FORUM-AI项目新闻稿
4️⃣ Soleymanibrojeni et al. (2026) — GENIUS框架，Communications Materials
5️⃣ Li et al. (2026) — Agentic材料科学综述，J. Mater. Inf.
6️⃣ Zhu et al. (2026) — 智能体MSE六层自主性框架，J. Mater. Inf.
