近日，一项发表于《自然》子刊《Communications Materials》的研究引发科技界广泛关注。来自日本横滨市立大学、东京理科大学等机构的研究团队开发出名为 SELLM（Solution Enumeration via Comprehensive List and LLM）的新型 AI 框架，通过结合大语言模型（LLMs）与结构化知识列表，成功为有机发光二极管（OLED）光提取效率提升、铟镓锌氧化物（IGZO）薄膜晶体管（TFT）接触电阻优化等跨学科难题提供高效解决方案，为电子设备研发开辟了 “AI 驱动跨领域创新” 的新路径。

图1. 研究人员提出的SELLM方法及其评估概述

传统LLM 研发瓶颈待破，SELLM 以 “结构化专家团队” 破局近年来，LLMs 在科研思路生成、科学假说构建等领域的应用备受瞩目，但面对电子设备研发中需整合多领域知识的 “本质性难题” 时，传统 LLM 常因知识覆盖局限、解决方案多样性不足陷入困境。例如，2020 年诺贝尔化学奖成果 CRISPR-Cas9 基因编辑技术、用于活细胞成像的绿色荧光蛋白（GFP）等重大突破，均依赖跨学科知识融合，而现有 LLM 或需领域数据微调，或依赖检索增强生成（RAG）技术，仍难以系统性覆盖 “非关联领域知识”。SELLM 框架的核心创新在于 “以结构化列表构建全面专家团队”。研究团队采用 “相互独立、完全穷尽”（MECE）原则，以国际专利分类（IPC）子类、化学元素周期表等为基础，为 LLM 生成特定领域的 “虚拟专家”。每个 “专家” 基于自身领域知识提出解决方案，通过这种 “穷举式” 思路，确保覆盖从材料科学到光学工程、从电子工程到化学催化的多领域视角，无需复杂模型微调或检索架构，即可实现跨学科解决方案的系统性生成。“我们希望让 LLM 跳出‘单一领域思维’，像一支涵盖各学科的研发团队一样思考。” 论文通讯作者、横滨市立大学 Kei Terayama 教授解释，“IPC 分类涵盖了全球技术领域的结构化知识，化学元素表则是材料研发的基础工具，用这些列表构建专家体系，能让 AI 真正打破学科壁垒。”

图2. 本研究针对的挑战性问题(光提取效率和IGZO-TFT接触电阻)及解决方案概述

两大电子设备难题验证实效，解决方案质量显著优于传统方法为验证 SELLM 的实用性，研究团队选取电子设备研发中的两大经典难题展开测试，并通过相似度评估（SBE）、关键词评估（KBE）、人工专家评估（HBE）三重维度验证解决方案有效性。在 OLED 光提取效率优化问题中，有机层与透明电极的高折射率（约 1.9）导致仅 20% 的发光能向外输出，行业长期面临 “低成本稳定制造高折射率平滑散射层” 的技术瓶颈。SELLM 基于 IPC 分类中C03C（玻璃组成）、F26B（干燥工艺）等子类生成 “材料专家”“工艺专家”，最终提出与行业公认的KIWI（Killer technology for Waveguide and Interference of OLED light）技术高度契合的方案 —— 采用光学透镜用高折射率玻璃料与等离子电视前介电层用玻璃熔块浆料，通过丝网印刷、烧结工艺形成折射率≥1.9 的平滑散射层。

测试显示，SELLM 生成方案的 SBE 最高达 9 分（满分 10 分），显著高于传统 LLM 的 6 分上限；KBE 得分达 2 分（覆盖两组核心关键词），而传统方法仅能得 1 分，且 83% 的方案经人工评估被认定为 “切实可行的跨学科创新思路”。

图3. 基于SELLM生成的OLED光提取问题解决方案评估

在 IGZO-TFT 接触电阻优化问题中，作为下一代高速大容量存储设备的核心元件，IGZO-TFT 因电极与半导体界面接触电阻过高，导致载流子迁移率下降、功耗增加，尤其在垂直堆叠架构中问题更突出。SELLM 同时调用 IPC 子类与化学元素列表生成 “电极材料专家”，成功锁定钯（Pd）这一关键材料 —— 利用钯的高氢渗透性与氢分子解离催化能力，将其作为电极材料，在氢气氛下使原子氢扩散至 IGZO - 电极界面，有效降低接触电阻。值得注意的是，该解决方案相关研究于 2024年才发表，未纳入测试所用 LLM 的训练数据，但 SELLM 仍能生成 SBE 达 9 分的方案，且部分方案还提出 “铂（Pt）作为替代催化材料” 的创新思路，虽氢存储能力较弱，却为低成本替代方案提供了方向。

图4. 基于 SELLM 生成的IGZO-TFT接触电阻问题解决方案评估

“最令我们惊喜的是，SELLM 不仅能复现已有的行业最优解，还能提出未被报道的可行思路。” 论文共同第一作者 Hikari Tomita 指出，在 IGZO-TFT 测试中，一款基于铂的双层电极方案虽 SBE 仅 3 分，但因创新性地提出 “铂催化层+ 低成本导电层” 结构，人工评估（HBE）仍给出 7 分的高分，“这说明 SELLM 不仅能‘复现创新’，更能‘启发新创新’”。低成本模型适配性强，未来可融入自主科研框架考虑到科研场景的成本限制，研究团队还测试了 SELLM 与开源模型的兼容性。选用 Meta 的 Llama 3.3 70B、DeepSeek V3 等低成本开源模型替代商业模型 GPT-4o，结果显示，在 OLED 光提取问题中，DeepSeek V3 生成方案的 SBE 最高达 9 分，Llama 3.3 70B 也能稳定生成 8-9 分方案；在IGZO-TFT 问题中，两款模型基于化学元素列表生成的钯电极方案，KBE 得分均达 2 分，与 GPT-4o 性能接近。这意味着 SELLM 可在低成本条件下落地，为中小型科研机构与企业提供 “AI 研发助手”。

图5. 基于开源权重模型的 SELLM 框架在 OLED 光提取问题上的解决方案评估

研究团队同时指出，SELLM 当前仍存在 “方案冗余” 的局限 —— 因穷举式思路，约 30% 的生成方案质量较低。目前团队已尝试让 LLM 自主评估方案可行性，初步实现 30% 低质量方案的过滤，未来计划通过人类反馈强化学习（RLHF）、思维链提示（Chain-of-Thought Prompting）等技术进一步优化筛选效率。展望未来，SELLM 的应用场景有望进一步拓展。研究团队表示，该框架可通过替换知识列表适配不同领域，例如用企业专利库构建 “专属技术专家团队”，或用实验室资源列表生成 “定制化研发方案”。“我们正探索将 SELLM 融入‘AI 科学家’‘Agent Laboratory’等自主科研框架，让 AI 不仅能提思路，还能参与实验设计与结果分析，真正成为科研人员的‘跨学科合作伙伴’。”Kei Terayama 教授透露。业内专家评价，SELLM 的突破不仅为电子设备研发提供了新工具，更重塑了 “AI 辅助科研” 的范式 —— 从 “单一领域辅助” 转向 “跨领域协同创新”。随着框架的不断优化，未来在柔性电子、量子器件、新能源材料等更复杂的跨学科研发领域，或将看到更多 “AI 驱动的突破性成果”。来源：Hikari Tomita，《Extracting effective solutions hidden in large language models via generated comprehensive specialists: case studies in developing electronic devices》