北大携手鼎犀智创，AI 驱动复合纤维实现性能飞跃
微观表现卓越而宏观性能平平，这种「跨尺度性能衰减」的困境已困扰材料学界数十载。
该如何打破这一僵局？
鼎犀智创（Rhinovate™）联袂北京大学深圳研究生院新材料学院及人工智能研究院的科研力量，重磅推出 CarbonKylin™。这是一款专为碳材料打造的 Agentic 自驱动研发系统，致力于系统性解开性能衰减之谜，助力新材料真正跨越从实验室到产业化应用的鸿沟。
为何从微观单元到宏观材料，性能会出现断崖式滑落？
究其根源，在于组装过程中两类相互交织的物理机制在作祟。
首先是非线性涌现——当成千上万的微观单元在数十道工序、数百个参数的强非线性耦合下运作时，微小的初始波动会被逐级放大，最终导致宏观性能远低于预期。
其次是热力学耗散——系统在熵增过程中自发产生缺陷与无序堆叠；加之工艺中的非平衡冷却和残余应力引入力学缺陷，两者共同造成能量不可逆耗散，削弱了材料强度。
当前以 A-Lab 为代表的前沿 AI 材料研发平台，虽在无机粉体等领域有所突破，却难以有效应对非线性涌现与热力学耗散难题。
高通量计算筛选、自动化合成与表征等手段往往聚焦于研发链的单一环节，缺乏贯通模型预测、实验验证与机理理解的系统性框架。主流数据驱动方法多为黑箱预测，既难揭示性能涌现的物理根源，也难以将预测结果升华为可迁移的科学认知。
面对跨尺度性能衰减的挑战，鼎犀智创（Rhinovate™）如何破局？
编译物质科学与工程（MCSE）将计算机领域的编译理念引入材料制备，把从微观到宏观的制备过程形式化为可分析、可优化、可解释的编译流程，从而系统性提升性能保留率，确保关键物理信息在尺度转换中不失真。
要将此范式工程化落地，不能依赖孤立的技术模块，而需构建一种闭环式研究架构。
这正是鼎犀智创（Rhinovate™）推出的 RhinoAI 所承担的使命——一套面向物质科学的 PhysicalAI 系统：它不仅具备计算推理能力，更能直接与物理世界交互，以内嵌的多尺度物理知识为推理约束，并依据物理反馈自主修正认知与策略。
它由四个紧密协同的支柱构成完整的认知 - 行动循环：自动化实验平台产出标准化物理数据；多尺度模拟提供跨尺度机理与虚拟数据；跨尺度端到端模型实现预测与逆向设计；可解释物质计算揭示物理机制，所得洞察再反馈至实验和模型改进。
MCSE 构想的闭环需打通虚拟筛选、高通量实验、可解释分析等诸多异构模块，若这些模块各自为政，研发人员仍将陷入手工编排的低效泥潭。
破局关键在于 RhinoAI 的 Agentic 架构：借助大语言模型与多 Agent 协同，将离散模块整合为一个能自主推理、决策、执行并更新的回路。
RhinoAI 的 Agentic 架构究竟如何运作？
RhinoAI 的能力奠基于分层技术底座，由五大模块构成其物理推理、计算、实验执行和知识获取的基石：大语言模型（LLM）、材料科学模型、科学算法、自动化设备、数据库与知识库。
在此基础上，基于 LLM 和 Harness 的协同调度中枢对这些基础能力进行动态编排。
该 Agentic 架构将材料研发全流程抽象为一系列可分解、可协调的认知与操作任务，每类 Agent 被赋予明确角色与功能边界，在主 Agent 统一调度下协同作业，实现认知 - 行动回路的结构化落地。
RhinoAI 如何实现持续进化与知识沉淀？
支撑 RhinoAI 协同与决策持续进化的核心在于自主记忆机制。
每一次从假设生成、实验决策、物理执行到结果分析的完整回路，都被结构化为一条持久存储的「研发记忆」——涵盖目标、决策、行动序列、观测数据、模型版本及策略效能。
记忆系统不仅记录实验参数和性能结果，还留存假设的提出与验证结论、模型的版本演替和预测精度，以及策略的成败模式。
更为重要的是，不同 Agent 协作与竞合中诞生的新搜索策略、从预测误差中提炼的物理判据、跨尺度关联中被算法自主发现的隐藏描述符，这些能力并非预设，而是从闭环研发的漫长历史中积累而成。
这些增量知识，包括经实验验证的物理判据、可解释分析揭示的机理洞察，以及系统在迭代进化中产生的新认知，将沉淀为结构化科学语料，反哺后续研发任务与模型训练。
CarbonKylin™已正式发布，它取得了哪些里程碑式成果？
CarbonKylin™是鼎犀智创（Rhinovate™）面向碳基纤维领域打造的首个验证实例。
在 RhinoAI 闭环迭代驱动下，CarbonKylin™自主完成了单体设计、工艺寻优与可解释分析的全流程，成功设计出一款碳材料掺杂的杂环芳纶复合纤维，其拉伸强度高达 41.2 cN/dtex，位居业界顶尖水平。
更关键的是，系统深入揭示了碳材料与杂环芳纶复合产生性能涌现的机理：碳材料表面与杂环芳纶分子链间形成强界面层，为应力传递提供了耦合通道；碳材料的锚定效应抑制了组装过程中的局部熵增与缺陷形成，从而实现了结构致密化。
这一发现实现了从「黑箱优化」到「可解释发现」的跨越。
作为 RhinoAI 落地的首个验证实例，CarbonKylin™的经验将如何拓展至其他材料体系？
CarbonKylin™验证了 RhinoAI 路径的可行性，但这仅是起点。RhinoAI 的核心优势在于「通用框架＋专有知识＋专用设备」的分层架构，使前沿材料研发无需在每个新方向上重复建设底层智能设施。
在架构设计上，RhinoAI 的核心平台框架、多 Agent 逻辑和自主记忆机制属于通用层，而领域知识和物理设备则归属专有层。
具体而言，通用层包含 Agent 的编排调度、记忆的存取更新机制及辩论协议等与具体材料体系无关的基础设施；专有层则涵盖针对特定材料的跨尺度模型、专用表征设备和领域知识图谱，需进行实质性的领域定制。
基于该分层架构，针对不同材料体系，研发团队只需聚焦于该领域的专有知识、专用设备与领域模型，即可开展深度定制，快速构建该体系专属的闭环研发能力——从文献检索、虚拟筛选、实验执行，到多尺度表征、因果分析与知识沉淀，全流程贯通，无需从零搭建底层架构。
目前，鼎犀智创（Rhinovate™）正积极布局高性能聚合物纤维、锂电池、半导体薄膜等材料体系，推动 RhinoAI 的全闭环研发能力快速落地为领域专属的智能研发平台。
对于希望在材料研发中引入系统性智能能力的团队而言，RhinoAI 提供的不仅是一个工具，而是一套经过验证、可直接部署的完整研发范式，它让每个领域都能站在坚实的智能基础设施之上，将精力集中于让材料真正发挥出应有性能。