本文介绍了一种基于自然语言嵌入的材料发现框架，专注于热电材料的高性能识别。研究分析了两篇重要文献的可复现性，提出了MatInFormer模型用于材料属性预测，并评估了大型语言模型在材料科学中的应用，强调了其在知识提取和任务自动化中的潜力。

杜克大学科学家开发了一种快速发现耐热和电子耐受性材料的方法。这些材料比钢更硬，可用于涂层、热电材料、电池和催化剂。通过新的计算方法，预测了900种新配方的可合成性，并成功生产了17种。这种能力将帮助研究人员优化材料特性。研究结果发表在《自然》杂志上。