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。它们的电子态受拓扑保护，即便面对杂质、缺陷等扰动，仍能保持部分关键性质。这种鲁棒性使它们成为量子计算、自旋电子学和低能耗电子器件的理想候选材料。然而，找到这些材料并不容易。

传统的拓扑材料发现长期依赖“试错式”路线：先通过大量第一性原理计算筛选，再结合昂贵的合成实验和表征逐一验证。第一性原理计算和对称性指标理论虽功能强大，但计算耗时巨大；更棘手的是，对某些无法通过对称性诊断的拓扑相，这些方法完全失效。面对数十万种已知材料，这一过程不仅效率低下，而且成本高昂、周期漫长。

针对这一瓶颈，安徽大学物理学院量子计算团队特任教授Arif Ullah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，开发了名为TXL Fusion的混合机器学习框架。相关成果于2026年7月29日发表于国际材料科学顶级期刊《先进功能材料》（Advanced Functional Materials）。

TXL Fusion的核心创新在于它融合了三种互补的知识来源。其一是基于组分的化学启发式特征，反映材料组成所携带的化学信息；其二是具有物理可解释性的数值描述符，包括空间群对称性、电子计数奇偶性和轨道占据数等；其三是来自微调大语言模型的语义嵌入。研究团队对开源大语言模型进行了微调，使其能够从海量材料科学文献中提取和理解材料的文本信息表征。

三种信息源如何协同工作？研究团队引入了可学习的门控机制和分层两级分类器。这一机制能够根据不同材料的特性，自适应地调整不同信息源的重要性权重，从而实现更有效的特征融合。与单一信息源模型相比，TXL Fusion在提升预测性能的同时，也保留了与物理和化学特征相对应的可解释性。

研究团队在一个包含近37,000种材料的精选数据库上完成了模型的训练与验证。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，团队进一步证实了上述改进的稳定性，排除了特定数据划分导致假象的可能性。

更具挑战性的是，研究团队将TXL Fusion应用于196种候选外部材料——这些材料的拓扑性质无法通过基于对称性的传统方法判定。模型从中优选出17种高置信度候选材料。团队对其中三种代表性化合物——InSr、Ta₂₁Te₁₃和Cl₁₁Mo₃N₂——进行了第一性原理DFT和Wannier函数计算。计算结果证实，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。这一结果为模型的预测能力提供了直接的计算验证。

研究人员强调，这项工作的核心并不是用AI取代物理计算或实验，而是把AI作为材料发现的前置筛选器。先以较低成本从大规模材料空间中锁定最有希望的候选材料，再将昂贵的计算资源和实验投入到少数目标材料上。目前，研究团队已通过GitHub公开了相关代码、训练模型及数据集。

TXL Fusion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。未来，这一融合大语言模型与物理、化学知识的AI框架有望进一步拓展到超导、催化和电池材料等领域，为面向未来量子科技的新材料发现提供更加高效的路径。