本网讯（物理学院 Arif Ullah）近期，物理学院Arif Ullah特任教授与合作者在人工智能应用于凝聚态物理与材料发现的研究中取得重要进展。相关研究成果以TXL Fusion: A Hybrid Machine Learning Framework Integrating Chemical Heuristics and Large Language Models for Topological Materials Discovery（DOI: 10.1002/adfm.202529788）为题，发表于国际材料科学领域顶级期刊《Advanced Functional Materials》。Arif Ullah特任教授为第一作者兼唯一通讯作者。重要合作者包括阿拉巴马大学伯明翰分校Rajibul Islam博士、厦门大学黄阳明博士、深圳大学Ghulam Hussain博士和李晓光教授、北京航空航天大学Zahir Muhammad教授，安徽大学杨名教授为论文最后作者。安徽大学为该项研究的第一完成单位。
拓扑绝缘体和拓扑半金属是一类具有奇异量子特性的物态，其受拓扑保护的鲁棒电子态为下一代量子计算和自旋电子器件提供了理想的候选材料。然而，这类材料的发现长期受制于传统方法的高昂成本与低效——第一性原理计算和对称性指标理论虽功能强大但计算耗时，且对某些无法通过对称性诊断的拓扑相完全失效，构成了该领域发展的主要瓶颈。
针对上述挑战，Arif Ullah教授团队联合阿拉巴马大学伯明翰分校、厦门大学、深圳大学和北京航空航天大学的研究人员，开发了TXL Fusion混合机器学习框架。该框架融合了三种互补的知识来源：基于组分的化学启发式特征、具有物理可解释性的数值描述符（空间群对称性、电子计数奇偶性、轨道占据数）以及来自微调大语言模型的语义嵌入。通过引入可学习的门控机制和分层两级分类器，该框架能够自适应地平衡各来源的贡献，兼具高预测准确率与物理可解释性。
图1. TXL Fusion模型流程示意图，展示了化学启发式特征、数值描述符和LLM语义嵌入的融合方式及其对材料拓扑类别预测的流程。
该模型在包含近37,000种材料的精选数据库上完成训练与验证。结果表明，TXL Fusion在所有材料类别上的表现均一致优于传统的纯数值描述符模型和纯组分模型，尤其在历来最难分类的拓扑绝缘体上提升尤为显著。通过跨多个独立数据划分和Bootstrap重采样的鲁棒性测试，进一步证实了上述改进的稳定性，排除了特定数据划分所导致假象的可能性。
研究团队还通过筛选196种候选外部材料（其拓扑性质无法通过基于对称性的方法判定）展示了该框架的实际发现潜力，并从中优选出17种高置信度候选材料。对其中三种代表性化合物——InSr、Ta₂₁Te₁₃和Cl₁₁Mo₃N₂——进行的第一性原理DFT和Wannier函数计算，证实三者均为Weyl半金属，且各自在费米能级附近展现出不同对称性保护的能带交叉特征。这一结果为模型预测能力提供了直接的计算验证，并确立了TXL Fusion作为拓扑材料发现中一种实用且可扩展的预筛选工具的地位。
该工作将大语言模型与物理约束的机器学习相结合，为凝聚态物理研究开辟了新的路径，也为更广泛地探索下一代量子与功能材料提供了一种可推广的策略。相关代码、训练模型及数据集已通过GitHub公开获取。
本研究得到了国家自然科学基金和安徽省自然科学基金的资助。