用于 X 射线衍射的自学习科学智能体

arXiv:2610.07862v1 公告类型：交叉收录 摘要：科学智能体面临的一项核心挑战，是将分析经验转化为以物理证据为基础、可复用的专业知识。在此，我们介绍 Gan Jiang，一个用于粉末 X 射线衍射的自学习智能体，其构建基础是我们开发的衍射分析生态系统：XMatcher、XQueryer、XDecomposer 和 WPEM。这些引擎共同涵盖物相鉴定、多相分解以及受物理约束的全谱建模。Gan Jiang 通过诊断失败原因、修订技能指令和代码，并在复用前验证修订结果，将分析经验转化为可执行技能，而无需重新训练语言模型或更改底层物理模型。使用开发数据筛选并在留出数据评估前冻结的技能，在 FullProf、GSAS-II 和 PyWPEM 上均获得了高于原始专家设计技能的精修评分。该智能体能够分辨严重重叠的衍射峰，对一种含五种物相的古埃及化妆品进行定量分析，追踪运行中电池的晶格演化，并比较无序氧化物催化剂中的原子构型。在 DeltaXRDbench 上，该智能体在模拟数据和实验数据的单相及多相鉴定任务中均领先于其他受评估方法。在未提供组成信息的情况下，其在 MP500、RRUFF 和 opXRD 上的单相 top-1 准确率分别达到 96.30\%、81.78\% 和 40.83\%，而表现最强的对比方法分别为 58.00\%、58.47\% 和 26.45\%。这些结果展示了集成式科学工具生态系统如何支持智能体从测量数据中提取结构知识，同时积累经过验证、可迁移至新样品的分析专业知识。