作者 |AutoMat團隊

投稿單位 | 清華大學

編輯丨ScienceAI

在材料科學的微觀世界里，電子顯微鏡已能把原子「拍」得一清二楚；然而「看見」并不等于「理解」。要把這些亞埃級圖像轉成計算可用的晶體結構，研究者仍需逐像素判讀、手工搭建模型、比對參考模板。這個流程動輒耗費數小時到數天，且極易被噪聲與元素重疊誤導。這一解析瓶頸使得高分辨成像與理論模擬之間始終存在一道「真空帶」。

最新工作 AutoMat 則試圖用 AI 來填平這條鴻溝。AutoMat 團隊構建了一個「電鏡智能代理」：它接收原始 STEM 圖像，先用模式自適應去噪網絡澄清信號，再通過物理約束檢索模板、對稱感知重建原子坐標，最終輸出標準?CIF 并借助機器學習勢能模型給出形成能等關鍵物性。整個鏈條僅需數分鐘，就能完成過去依賴人工的「顯微成像 → 結構重建 → 性質預測」。

為了量化成效，作者們搭建了二維材料基準 STEM2Mat-Bench（超 450?種材料）——單層結構可最大限度減少多重散射與投影歧義，便于評測算法極限。

結果顯示，AutoMat在結構誤差與能量預測上均大幅優于現有多模態大模型及專用工具AtomAI；在最難的低劑量三元素場景下仍能穩定輸出可用結構。由此，實驗觀測首次與計算模擬形成高通量閉環，為「AI-驅動的材料發現」打開了真正的高速通道。

STEM2Mat-Bench：構造專為顯微→模擬打造的基準

• 超過 450 種高置信二維材料 | 覆蓋 67 種元素
• 統一三元組：圖像 – 結構 – DFT 能量
• 難度梯度↗（Tier?1?→?3）：從單元素高劑量到三元素低劑量
• 讓模型在「圖像→結構→性質」全鏈路上一站式考核。

借助 STEM2Mat-Bench，AutoMat首次展示了在全難度段穩定重建與精準預測的能力，也為后續算法提供了統一、公正的比拼賽道。

AutoMat四步閉環——橋接顯微鏡與計算模擬的智能?Agent

性能評估：AutoMat壓倒性超越現有技術

為評估?AutoMat，團隊設置三條基準線：

一是多模態視覺?語言模型（GPT?4.1?mini、Qwen?2.5?VL?32B、LLama?4V?17B、ChemVLM?8B），輸入固定提示與 ?STEM? 圖像直接推斷材料性質，用于衡量「圖像→性質」推理水平；

二是 AtomAI，僅通過分割網絡定位原子中心并結合分辨率擬合晶格，專門考察結構重建精度；

三是「LabelCIF?+?MatterSim?MLIP」，即將真實 CIF 喂入機器學習勢能模型，給出形成能誤差的理論最優上限。

AutoMat 在形成能預測上的平均絕對誤差（MAE）為 332 ± 12 meV/atom（分層級為 344、320 和 333 meV），雖仍高于理論最佳值（48 meV），但遠低于視覺-語言模型普遍數 eV 級別的誤差，且后者誤差隨任務難度顯著增加，驗證了基準設計的合理性。進一步提升結構重建精度后，AutoMat 有望逼近理論誤差范圍，充分滿足下游性質預測需求。

對于結構重建，AutoMat 實現了大約 0.11 A 的平均投影 RMSDxy，比 AtomAI（43-44 A）低兩個數量級，大多數偏差可通過最終松弛校正。

成分正確性方面，AutoMat 在各層級上平均達到 83%（具體為 88.9%、85.9%、73.1%），而 AtomAI 僅在簡單的Tier 1情況下達到不到 2.7%。

結構成功率方面，考慮空間和成分一致性，AutoMat 總體達到 83.2%（各層級為 85.0%、84.0%、73.1%），而 AtomAI 幾乎不能產生有效結構。

總結來說，AutoMat 不僅優于所有現有基線，而且在具有挑戰性的 Tier 3 場景中保持高性能，這些場景涉及多元素組成和低成像劑量，展示了其在整個基準范圍內的穩健性和泛化能力。

挑戰和未來路線

瓶頸?① | 模板檢索失靈（39.3?%）

檢索未命中正確晶體，導致原子排布與元素完全錯位，形成能誤差最高飆至? 3130meV?/?atom（典型案例：U-F-O 結構被錯配為 P-系模板）。

瓶頸?② | 下游重建崩潰（60.7?%）

模板雖正確，但 2D 投影重疊或 C/O 等近似元素對比度過低，觸發原子混淆、結構松弛失真，CIF 直接輸出失敗。

下一步優化

• 不確定性檢索 + 多候選融合：先擴寬匹配范圍，再用置信度篩選，提高模板命中率。
• 3D-aware & 多模態融合：補足 z 軸深度信息，強化復雜體系的結構保真度與性質預測準確性。

邁向“智能實驗室”愿景

1.實驗-模擬-AI 全閉環

• AutoMat 負責 表征?→?結構?→?物性 的實時推斷；
• 機器人合成平臺自動制備候選材料；
• 在線表征（XRD、EELS、原位光譜）即時回流數據；
• LLM/貝葉斯優化代理決策下一輪實驗，實現「自驅迭代」。

2.擴展能力版圖

• 3D 體相 & 缺陷/界面：深度學習重建算法 + 斷層電鏡（ET）數據，解決真實晶體塊材與界面問題
• 多模態數據融匯：將譜學、成像、熱分析等多源信息拼成「材料全息圖」，提高預測精度；
• 高通量并行：結合固定床 / 微反應器陣列，日級別篩選上百組合物，實現催化與能源材料的快速迭代。

3.數據標準 & 開放平臺

• 建立統一「圖像-結構-性質」數據協議，兼容 AutoMat 與機器人實驗記錄；
• 開放 API 與 Benchmark，促成跨實驗室協同與模型可重復驗證。

未來圖景：顯微鏡不再只是觀測工具，而是閉環反饋設計方案和材料的重要一環；AutoMat 則成為連接表征、合成與計算的「中央神經」，驅動材料研發像自動駕駛一樣自我學習、持續優化。

代碼：https://github.com/yyt-2378/AutoMat

數據集：https://huggingface.co/datasets/yaotianvector/STEM2Mat

論文：https://arxiv.org/abs/2505.12650