西交大團隊用AI設計出碳材料：LLM+機器學習勢驅動發現新型碳相

編輯丨&

如果把材料科學比作一片宇宙，那么碳就是最復雜、也最難窮盡的一片星系。它可以以 sp、sp2、sp3 三種雜化方式自由組合，理論上能形成近乎無限的結構空間——但人類真正發現的，只是極小一部分。

來自西安交通大學的研究團隊，試圖改變這一點：他們構建了一套以大語言模型（LLM）為核心的閉環框架，讓 AI 不再只是「篩選結構」，而是主動「生成新材料」，并在物理約束下快速驗證，從而系統性地拓展碳同素異形體的邊界。

在這篇于 2026 年 3 月 9 日發布在《Applied Physics Letters》上的「LLM-driven discovery for carbon allotropes with bond-network entropy」里，研究團隊展示了他們所發現的多種新型碳材料，包括：硬度超過金剛石的「C16_3」超硬相、具有極端熱導各向異性的「炔-金剛石 C12」和「炔-六方金剛石 C8」。

論文鏈接：https://pubs.aip.org/aip/apl/article-abstract/128/10/102202/3382659/LLM-driven-discovery-for-carbon-allotropes-with

CrystaLLM的新邏輯

傳統碳結構發現依賴第一性原理計算（如DFT）與結構枚舉，但這也意味著需要計算的可能的晶體結構數量是天文數字。在碳體系中，不同雜化態的組合（sp / sp2 / sp3）可以形成從一維鏈（carbyne）到三維晶體（金剛石）的各種拓撲結構，但絕大多數仍停留在理論可能性中。

近年來，AI 的快速發展為解決這一問題提供了相當強勁的助力。2024 年，英國一組研究人員發布了 CrystaLLM：一種大型語言模型（LLM），能夠利用文本模擬晶體結構。而在本次研究中，研究團隊引入了一個新框架，利用CrystaLLM 生成候選碳同素異形體，并快速測試其穩定性和性質。

圖 1：閉環 AI 驅動材料發現工作流程的示意圖，整合了兩個協同的主動學習循環。

研究團隊所提出的是一套雙循環主動學習框架。

• 第一循環（生成）：利用 CrystaLLM產生候選碳結構（每個晶胞最多 100 個原子）。這些候選結構首先被快速篩選（用 PINK 代碼估算熱導率、用 Phonopy 結合當前 MLP 評估動力學穩定性）。
• 第二循環（迭代與反饋）：通過迭代構建基于神經進化潛能（NEP）架構的通用 MLP 提供支持，確保整個勢能面上的 DFT 級精度。

為了讓 MLP 具備泛化能力，研究團隊構建了一個覆蓋極廣的訓練集，包含從 C??富勒烯到一維碳鏈、二維石墨烯、三維金剛石的各種結構；不同雜化態的混合體系；極端力學狀態（從 -400 GPa 的拉伸到超過 1000 GPa 的壓縮）。

圖 2：碳機器學習潛能的訓練性能和數據集多樣性。

訓練好的 NEP 在能量、應力和原子力預測上與 DFT 基準高度吻合。應力預測范圍覆蓋了從 -400 GPa 到 1000 GPa 的極端區間，這在傳統經驗勢中幾乎不可能實現。

而 NEP 捕捉不同維度晶格動力學和雜化的能力也不容小覷。經六種代表性碳同素異體的聲子色散關系的實驗驗證，NEP 對金剛石、石墨烯、BC8、C? 等多種碳同素異形體的聲子譜預測與 DFT 幾乎完全重合，無虛頻，證明其能夠準確描述不同雜化態下的晶格動力學。

結構定位

利用這套框架，團隊生成了數千個候選結構，并從中篩選出一系列動力學穩定的新碳相。

圖 3：突出同素異體的結構和電荷密度分布。

1. 超硬相 C16_3：計算維氏硬度高達 103.3 GPa，超過金剛石的 96 GPa（實驗值）。這意味著它可能成為一種新型超硬材料。
2. 「炔-金剛石」系列（C12 和 C8）：通過將線性 sp 雜化碳鏈（-C≡C-）插入金剛石的 C-C 鍵中形成。它們展現出極端的熱導各向異性——沿剛性骨架方向熱導率極高，而在垂直平面內則因 sp 鏈的大幅度振動而顯著降低。這種特性使其成為定向散熱和柔性熱界面材料的理想候選。
3. sp-sp2-sp3 雜化 C12：一種同時包含三種雜化態的復雜結構。其 sp-sp2 網絡中的π電子高度離域，賦予其金屬導電性；同時，該結構還表現出罕見的負泊松比（拉長時橫向膨脹），這在碳材料中極為少見。不過，該相在室溫下動力學穩定性稍弱（僅穩定至約 100K），但其獨特的性能組合為設計多功能材料提供了重要思路。

碳結構新發現

除開對新結構的探討，團隊還實際討論了這些新型碳形式是否能在實驗室中實際制造。他們的計算表明，這些結構的穩定性與已經被制造出來的其他碳材料（如富勒烯）相當。

他們認為，一些新形態可以通過既有的化學方法逐步構建，而最致密、最堅硬的結構則可能通過在極高壓力下壓縮合適的起始材料形成。

總體來看，這項工作證明了「LLM 生成 + MLP 評估 + 主動學習迭代」的閉環框架在材料發現中的巨大潛力。它不僅適用于碳，還可推廣到其他元素體系。

相關鏈接：https://arxiv.org/html/2602.22706v1

https://phys.org/news/2026-03-ai-driven-framework-uncovers-carbon.html