韩国首尔大学Yousung Jung、福特汉姆大学Joshua Schrier等报道机器学习能否应用预测水热合成的晶体结构，并且解释这些预测结果。

本文要点：

（1）

通过在人类可读的目标晶体结构的文本描述上训练微调大语言模型（LLM）达到与之前定制的卷积图神经网络方法相当的水平。但是，通过文本嵌入表示（text-embedding representation of the structure）上训练一个正的未标记学习模型（positive-unlabeled learning model），可以实现更好的预测质量。

（2）

使用基于LLM的工作流，为控制可综合性的因素类型生成人类可读的解释，提取其中物理规则，并评估这些规则的准确性。这些解释可以指导化学家修改或优化不可合成的假设结构，使其在材料设计中更可行。

参考文献

Seongmin Kim, Joshua Schrier, Yousung Jung, Explainable Synthesizability Prediction of Inorganic Crystal Polymorphs using Large Language Models, Angew. Chem. Int. Ed. 2025

DOI: 10.1002/anie.202423950

https://onlinelibrary.wiley.com/doi/full/10.1002/anie.202423950