点击蓝字
关注我们
导语
Why we do this？
在AI浪潮席卷千行百业的今天，科研与产业从业者如何精准把握机遇、破解难题？为此，我们推出「行业洞察」专栏，致力于成为您在前沿交叉领域最可靠的知识伙伴。本专栏将深度解析 AI for材料科学、农业、水利、学术出版、能源电力 五大方向，为您拨开迷雾，洞察未来。本篇聚焦【中子衍射精修如何告别“手工调参”？一套专家知识编码+反馈驱动的自主精修方法论】，敬请阅读！
AInsight
行业洞察
2026/7/3 星期五
AI + 材料科学
第三十五期
本文摘要
中子粉末衍射是测定晶体结构的关键技术，但将一维衍射图谱转化为三维结构模型的Rietveld精修，高度依赖专家对参数释放顺序的经验判断——先精修什么、后精修什么、发散时如何回滚，每一步都是决策。现有的自动化方法要么依赖固定工作流（遇发散即崩溃），要么依赖纯数值搜索（计算成本高且无策略解释能力）。本期研究的Rongzai智能体提供了一套工程化解决方案：通过将晶体学专家的先验知识（单一参数逐步释放、相关性解耦策略等）硬编码为提示词状态机，并构建“执行-反馈-回溯”的闭环机制，让LLM在GSAS-II引擎驱动下自主完成从参数初始化到拟合收敛的全流程精修。结果显示，系统在五种不同复杂度的材料体系（Si、LaB6、沸石、锂电正极、钠电正极）上，搭载MiniMax-m2.7或GPT-5的智能体在其中三个样本上的加权全谱R因子显著优于人类专家，且任务耗时从人工的数十至上百分钟压缩至16到34分钟。尤其值得关注的是，智能体在LaB6精修中动态识别了SVD失败、参数负值、参数高度耦合等异常，并自主执行回滚、解耦、调整背景阶数等策略调整——证明其已掌握专家级的“判断何时调整策略”的能力。本文拆解了这套“专家知识编码+反馈驱动闭环”方法论的设计逻辑与量化验证结果，为希望将高度依赖人工经验的分析流程自动化的团队，提供了一条可参考的实践路径。
中子粉末衍射（Neutron Powder Diffraction, NPD）是材料科学中测定晶体结构与磁性结构的核心表征技术，其对轻元素的位置解析具有不可替代的优势。然而，将一维的粉末衍射图谱转化为可靠的三维微观结构模型，在实际操作中构成了一个显著的瓶颈。该逆向工程在原理上依赖于Rietveld精修方法，即通过物理参数化模型对全衍射图谱进行非线性最小二乘法拟合。在实际计算中，该过程的成功率不仅取决于最优化算法本身，更高度依赖于分析人员对精修路径的选择。由于晶胞结构、仪器展宽以及微观应变等参数之间存在强烈的数学耦合效应，必须按照符合物理意义的顺序逐步释放参数，并依据中间拟合结果反复调整策略。
因此，Rietveld精修实质上是一个在物理约束和数据不确定性下进行的连续科学决策过程。现有的自动化精修方法（包括固定工作流、基于规则的专家系统、强化学习以及贝叶斯或全局优化策略）虽然在一定程度上推进了高通量分析，但并未解决其核心局限：固定的工作流在面对非预期的精修发散时极为脆弱；基于规则的系统受限于预设的静态知识；而纯粹的搜索算法计算成本高昂，且缺乏解释中间失败并修正策略的能力。这导致高质量的真实实验数据精修依然高度依赖人工专家的经验判断。为了突破这一技术瓶颈，中国科学院高能物理研究所等机构的研究团队开发了Dr.Rongzai智能体（下称Rongzai智能体）。该系统整合了大语言模型的复杂任务推理能力、专家的领域知识库以及GSAS-II专业精修引擎，构建了一个包含闭环反馈与容错回滚机制的自主精修框架，首次在无人工干预的条件下实现了多参数耦合的中子衍射数据高质量智能化精修。
核心亮点
01
开发了基于反馈驱动闭环架构的Rongzai自主精修智能体。
系统实现了从自然语言任务解析、策略自主制定、GSAS-II后台执行到最终数据报告生成的全工作流自动化，有效替代了传统流程中繁琐的人工试错操作。
02
构建了具有晶体学物理约束的提示词状态机与自适应回溯机制。
通过编码专家先验知识（如单一参数逐步释放原则、相关性解耦策略），赋予了大语言模型处理如比例因子与吸收系数极度耦合、奇异值分解（SVD）失败等复杂物理发散场景的动态纠错能力。
03
在五种包含不同复杂度的典型材料体系（Si、LaB6、沸石、锂电正极及钠电正极）上进行了详实的量化评估。
实验数据表明，搭载MiniMax-m2.7或GPT-5基座的Rongzai智能体在其中三个样本上的加权全谱R因子（Rwp）显著低于具有丰富经验的人类专家，且任务总耗时从人类的数十至上百分钟大幅压缩至16到34分钟。
技术创新与方法论构建
1.系统级闭环架构与多模块化协同设计
Rongzai智能体的底层依托于研究团队开发的Open Dr.Sai科学AI框架。该框架专为解决复杂科学计算需求而设计，集成了六大核心模块：用于摄取科学数据的感知模块、集成RAGFlow的长效记忆管理模块、支持MCP/OpenAPI/HepAI Worker协议的科学工具执行支持、具备人在回路能力的状态管理、多进程长任务监控，以及动态技能系统。在此基础设施之上，Rongzai智能体的核心运行机制被定义为大语言模型、GSAS-II精修引擎与专家知识库的三元协同。
系统在执行任务时采用了一种称为“反馈驱动自循环”的算法逻辑。在该算法中，大语言模型通过特定的系统提示词和上下文环境被初始化。循环启动后，模型会根据当前上下文输出包含特定动作需求的指令。系统通过条件判断截获这些指令并调用对应的子工具：
当指令要求“refine init”时，系统调用初始化工具解析原始文件并生成GSAS-II工程文件（.gpx）;
当指令要求“refine”时，系统向执行模块发送当前的.gpx文件及需要精修的参数列表，等待执行完毕后将包含拟合指标和残差分析的反馈结果重新写入上下文;
“refine pause”用于请求人类干预，而“refine finish”则触发最终报告的生成。
这种设计确保了系统能够在多步骤的迭代优化中始终保持对整个精修历史的全局记忆。
? 图1 | Rongzai智能体整体工作流程图
该框架将大语言模型、专家知识库与GSAS-II精修引擎整合为“执行—反馈”闭环：用户输入中子衍射数据（含.instprm、.cif等文件）后，大语言模型在专家知识约束下自主调整参数并调用GSAS-II迭代精修，依据Rwp反馈判断是否继续，最终生成分析报告；图下方对比了五个样本上智能体与人类专家的最终Rwp结果。
（图文引自论文《Rongzai agent: A Large Language Model-Based Autonomous Assistant for Rietveld Refinement of Neutron Diffraction Data》）
2.专家知识注入与GSAS-II引擎的深度集成
Rietveld精修工具GSAS-II是一款开源的综合性晶体学分析软件。为了实现完全自动化的后台调度，研究团队对GSAS-II进行了二次开发，构建了基于FastMCP服务器架构的自动化精修工具链。该工具链支持通过SSE协议进行远程调用和多任务异步并发处理，实现了项目创建、异常值清洗、背景优化和灵活参数配置的底层自动化。
为了约束大语言模型在庞大参数空间中的搜索路径，研究团队构建了严密的提示词状态机。状态机将整个流程划分为空闲、执行和等待三个模式，并强制执行线性迭代规则。在参数控制层面，Rongzai智能体被赋予了对表1中所列举核心参数的独立控制权，包括循环次数、背景参数、比例因子（scale）、晶胞参数（cell）、吸收校正（absorption）、仪器轮廓参数（alpha,beta, sig等）、原子坐标（X, Y,Z）、位置占有率以及各向同性位移参数（uiso）等。提示词中硬编码了晶体学专家的基础物理逻辑，例如“背景多项式应最后精修”、“在温度因子前必须先精确原子坐标”，从而防止大语言模型陷入纯数学拟合而忽略物理意义的陷阱。
? 表1 | Rongzai智能体可配置的精修参数
表中列出了智能体可精修（Refinable）与可设置（Settable）的核心参数，涵盖循环次数、背景、比例因子（scale）、晶胞（cell）、吸收校正（absorption）、轮廓参数（alpha/beta/sig/X/Y/Z）、原子位置（atom positions）、占位率、各向同性位移参数（uiso）、晶粒尺寸、微应变与相分数等。
（图文引自论文《Rongzai agent: A Large Language Model-Based Autonomous Assistant for Rietveld Refinement of Neutron Diffraction Data》）
3.动态推理与自适应回溯策略的深度解析（以LaB6为例）
智能体不仅具备执行静态规则的能力，更展现出了动态识别错误并纠正策略的推理能力。原论文附录记录了智能体在处理LaB6样本时的完整内部决策链，这详细证实了其方法论的完备性：
在精修初期，智能体仅调整比例因子，得到R_{wp}为7.61%。随后，智能体严格遵守“每次仅引入一类新参数”的内置原则，释放晶胞参数，使R_{wp}降至7.23%。在尝试校正衍射峰形状时，智能体释放了仪器不对称性参数alpha。然而，这一操作导致了奇异值分解（SVD）失败。系统立即捕捉到该异常，启动回溯机制，放弃该步修改，转而精修B1位点的位移参数X。
在后续逼近极小值的过程中，智能体尝试引入高斯展宽参数组（sig）。执行后，不仅R_{wp}劣化至7.36%，日志更提示sig参数间出现强相关性且参数变为负值的非物理现象。智能体再次自主判断该步骤无效，回滚状态，并改用洛伦兹展宽参数组（beta）进行优化。更为复杂的判断出现在后期：系统发现在同时开启比例因子（scale）与吸收系数（absorption）时，两者之间的数学相关性超过了99%，导致比例因子异常激增。针对这一高度耦合问题，智能体采取了解耦策略，主动冻结比例因子，仅精修吸收系数，并进一步将背景多项式的阶数提升至10阶，最终成功将模型稳定在物理合理的参数空间内，获得了2.78%的极优R_{wp}拟合度。这一过程充分说明，Rongzai智能体已实质上掌握了根据中间日志评估参数物理合理性，并动态调整解耦策略的专家级分析思维。
? 图2 | Rongzai智能体的提示词设计与精修流程图
该图解展示了由三态状态机驱动的线性迭代精修工作流，其中整合了专家知识编码、参数调整逻辑、备份与回滚机制以及标准化报告的生成过程。
（图文引自论文《Rongzai agent: A Large Language Model-Based Autonomous Assistant for Rietveld Refinement of Neutron Diffraction Data》）
实验验证与结果分析
实验设置
为了客观评估Rongzai智能体在实际应用中的精修能力，研究人员建立了一套涵盖不同晶体结构复杂度的标准测试集，包含单质硅（Si）、六硼化镧（LaB6）、沸石（Zeolite），以及具有代表性的能源材料——锂离子电池正极（LiNi0.9Ni0.05Mn0.05O2）和钠离子电池正极（NaNi0.33Mn0.33Fe0.33O2）。数据的采集依托于中国散裂中子源（CSNS）的多物理谱仪（MPI）与高分辨衍射仪（TREND）。
在评估指标方面，研究采用加权全谱R(Rwp)因子来表征计算模型与实验观测数据之间的绝对拟合优度，其定义涉及观测强度与计算强度的残差平方和，由泊松分布得出的权重进行加权。较低的Rwp值代表更高的精修质量。
实验设立了两组人类对照组：专家I为CSNS数据分析组资深成员，具备极高结构解析经验；专家II为高分辨衍射仪线站科学家，同样具备Rietveld精修经验。同时，Rongzai智能体分别搭载了四种大语言模型基座进行测试，包括GPT-4.1、GPT-5、MiniMax-m2.7以及Scienceone-s1-base-ultra。
迭代收敛过程的动力学对比
通过对五个样本精修过程中Rwp值随迭代次数演变曲线的分析，可以明显观察到智能体与人类专家在寻优动力学上的异同。搭载不同基座的Rongzai智能体普遍展现出了极其迅速的初始收敛能力。通常在最初的5到10次交互迭代中，智能体便能够将Rwp值降低至系统误差允许的低水平区间，形成一个稳定的拟合平台期。其中，搭载GPT-5与MiniMax-m2.7的智能体在收敛斜率和最终探底深度上表现最优，这直接反映了模型在理解底层GSAS-II反馈日志与参数关联性上的推理能力差异。
与人类对比，资深专家I采取了高度精确的前置策略规划，其收敛轨迹呈现出类似的“快速下降-稳定调整”特征；而经验相对不足的专家II则经历了更长时间的平缓波动，需要大量反复迭代才逐渐寻找到正确的参数释放序列。
?图3 | 最终Rwp量化结果横向对比
明确给出了搭载不同基座的大模型与人类专家在五个样本上达到的最终加权全谱R因子。粗体标识了针对每一个晶体样本的全局最优结果，其中智能体占据了三项榜首。
（图文引自论文《Rongzai agent: A Large Language Model-Based Autonomous Assistant for Rietveld Refinement of Neutron Diffraction Data》）
最终精修质量与时间效率的双重量化评估
各方法在最终拟合质量与执行效率上，对于关键的Rwp指标，MiniMax-m2.7与GPT-5基座的Rongzai智能体在其中三个测试用例上实现了对全体人类专家的超越：对于沸石结构，MiniMax-m2.7达到了2.88%的最优结果（对比专家I的4.42%与专家II的4.80%）；在锂离子电池正极材料的解析中，MiniMax-m2.7以5.06%微弱胜过专家I的5.40%；而在处理更为复杂的钠离子电池正极材料时，GPT-5得出的Rwp为7.60%，大幅领先专家I的9.00%。在Si与LaB6这两类相对基础的样本上，专家I虽然维持了第一，但智能体达到的3.37%与2.65%误差率已与专家高度接近、具备可比的实验解释力。
在时间效率层面，人工精修的时间损耗不仅受制于思考时间，更受制于人工软件操作界面的阻力。专家II完成单一样本需耗时31至114分钟，极具经验的专家I也需投入10至27分钟的连续操作。而通过全后台API并发调用的Rongzai智能体，其总处理时间被大幅压缩至16到34分钟之内。其中，GPT-5与MiniMax-m2.7实现了拟合精度与时间消耗的最优帕累托平衡。
图谱可视化的物理维度检验与残差剖析
为了确认较低的Rwp值并非源于数学层面的过拟合，研究人员对提取的晶体衍射图谱进行了逐一的视觉形态比对。在绝大部分样本的计算分布曲线中，Rongzai智能体的结果与实验观测散点实现了极高的吻合度，Bragg峰的定位准确，背景基线平滑，残差曲线的波动极小。然而，仔细的局部图谱比对也揭示了智能体与人类专家在判定基准上的微观差异。例如，在钠电正极样本（NaNi0.33Mn0.33Fe0.33O2）中，尽管智能体取得了更低的全局统计误差（7.60% vs 9.00%），但在低飞行时间（low-TOF）区域，人类专家的峰位对齐显得更为严密。
结论与未来展望
本研究构建的Rongzai智能体系统成功证实了，将大语言模型的高阶逻辑规划能力、专家预置晶体学约束规则与底层科学计算工具深度融合，能够完美攻克中子粉末衍射Rietveld精修高度依赖人工经验的长期瓶颈。在涵盖简单单质与复杂能源材料的多重实验测试中，该自动系统不仅显著压缩了数倍的分析耗时，更在多数结构解析中提供了优于传统人工专家的模型保真度。当前，该系统已在中国散裂中子源（CSNS）进行正式部署，并对外部研究用户开放注册，成为加速材料表征的实用化新基建。
此外，作者指出目前智能体在面对特定低强度区域的局部拟合控制时，偶尔会出现欠拟合现象。这主要是由于系统当前将全谱数学方差（Rwp）作为唯一的优化目标，尚缺乏对局部晶体学缺陷极其敏感的先验常识。在未来的研究路径中，通过扩大现有特殊应用场景的专家知识库，或直接采用包含高质量精修历程的领域语料库对基础大语言模型权重执行定向微调，有望使智能体具备更加符合物理学第一性直觉的全局与局部综合判别能力，进而向更高阶的全自动晶体学分析框架迈进。
专栏观点
专家知识编码+反馈驱动闭环
>> 让AI掌握“逐步释放参数”的物理直觉
本期Rongzai智能体研究提供了一个解决Rietveld精修“高度依赖人工经验”瓶颈的务实路径：通过将晶体学专家的先验知识（如单一参数逐步释放原则、相关性解耦策略）硬编码为提示词状态机，并构建“执行-反馈-回溯”的闭环机制，让LLM在GSAS-II引擎的驱动下自主完成从参数初始化到拟合收敛的全流程精修。其核心价值在于将Rietveld精修——这个本质上需要在物理约束和数据不确定性下进行连续科学决策的过程——转化为可自动执行、可动态纠错、可容错回滚的算法化工作流。
这种“专家知识编码+反馈驱动闭环”的设计，对底层数据治理提出了明确要求：无论是晶胞参数、原子坐标、仪器展宽系数等精修参数的历史数据，还是不同材料体系中“先精修什么、后精修什么”的释放序列规则，都需要从文献、手册、专家经验中精准抽取并结构化表征。这正是我们公司长期专注的方向：通过从晶体学文献、衍射数据解析报告中精准抽取精修参数、释放序列、物理约束规则等关键信息，并建立可计算、可检索的结构化知识库，为自主精修智能体提供可靠的决策锚点。
尤为值得关注的是，研究在五种不同复杂度的材料体系（从单质Si到钠电正极）上进行了量化评估，搭载MiniMax-m2.7或GPT-5的Rongzai智能体在其中三个样本上的加权全谱R因子显著优于具有丰富经验的人类专家，且任务耗时从人工的数十至上百分钟压缩至16到34分钟。更重要的是，智能体在LaB6精修中展现出了动态识别SVD失败、参数负值非物理、scale与absorption高度耦合等异常，并自主执行回滚、解耦、调整背景阶数等策略调整——这说明，当专家知识被系统化编码、反馈闭环被严格设计，AI不仅能“执行规则”，更能“判断规则何时失效并调整策略”。我们将继续在晶体学、衍射数据分析等领域深耕，帮助研究团队将分散的精修经验与物理规则转化为可复用的结构化资产，让AI从“会算”走向“会判断”。
论文信息
✍️ 标题：Rongzai agent: A Large Language Model-Based Autonomous Assistant for Rietveld Refinement of Neutron Diffraction Data
? 作者：Qingmeng Li, Hao Wang等人
? 单位：中国科学院高能物理研究所（IHEP）、中国散裂中子源科学中心（CSNS）、国家高能物理科学数据中心等
? 论文链接：https://arxiv.org/abs/2605.13911v1
（推文作者：Vinci）
往 期
RECOMMEND
推 荐
>>
END
