用智能平台连接电子显微镜与材料检测

本文介绍了一种名为EMSeek的新型人工智能平台，旨在解决电子显微镜（EM）数据分析长期存在的“看得见却用不上”难题。传统EM分析（如催化材料、电池、半导体研究）虽能获得原子尺度图像，但后续需人工完成图像分割、晶体结构重建、物性建模、文献查证等多个环节，往往耗时数周，且结果难以复现、易受主观影响。EMSeek采用“多智能体协同”思路，由大语言模型（LLM）统一调度五个专业化模块：1）SegMentor模块实现“一点即全”式分割——用户只需单击图像中一个代表性原子或颗粒，系统即可自动识别并标记出所有同类结构，大幅提升效率和准确性；2）CrystalForge（EM2CIF）模块在分割掩膜基础上进行晶体重构，结合数据库检索与生成式模型，即使面对全新材料也能生成高精度的晶体信息文件（CIF）；3）MatProphet模块采用“门控专家混合”（MoE）模型，仅用约2%的标注数据即可精准预测形成能、缺陷能等关键物性，并同步输出可信度评估（不确定性区间）；4）ScholarSeeker模块主动检索数千篇同行评议文献，将结构特征与已知合成方法、应用场景关联起来，提供有明确文献出处的答案，显著降低“幻觉”错误；5）Guardian与Scribe模块全程把关物理合理性、单位一致性和数据溯源性，最终自动生成含图表、数据表和参考文献的完整报告。该平台在20种材料、5类典型任务中全面验证：分割速度约为主流模型Segment Anything的2倍且更准；晶体结构相似度超90%；物性预测在多个跨分布基准测试中媲美甚至超越单一强模型；单张图像全流程处理仅需2–5分钟，比专家人工流程快约50倍。案例显示，它能可靠分析二维晶格、纳米颗粒尺寸分布等复杂问题，并为科研人员提供兼具严谨性与实用性的决策支持。EMSeek不是替代科学家，而是成为可信赖的“虚拟材料科学家”，把EM从耗时的诊断工具转变为加速新材料发现的实时引擎。