材料热物性的精确测量是电子芯片、航空航天、聚变核能等尖端领域的关键基石。频域热反射（Frequency-domain thermoreflectance，FDTR）等激光泵浦-探测技术凭借非接触、空间分辨率高、适用材料广等优势，已成为探究微纳尺度热输运的重要实验方法。该方法通过调制泵浦激光在待测样品表面（通常镀金作为光热换能器）产生周期性温升，再用探测激光读取表面反射率随温度的变化，最后由多层热扩散模型反演获得热导率、热容与界面热导等核心热物性（图1）。在实践中，获得实验信号只是第一步，后续的数据分析至关重要。由于不同参数对信号的影响可能相互耦合，完整分析需要合理选择测量数据与拟合参数，辅以灵敏度分析和不确定度评估。研究人员即使已有成熟计算程序，也需要在多个脚本之间反复调整设置、传递参数和检查结果；细微的操作错误或许不会导致程序报错，但却会影响最终结果的准确性。
图1 FDTR测量原理与典型相位信号
近日，北京大学力学与工程科学学院能源与资源工程系宋柏研究员团队设计了面向AI智能体的FDTR数据分析框架——Vibe-FDTR。研究者只需用自然语言描述需求，智能体即可自动完成数据预处理、灵敏度评估、参数拟合，以及不确定度分析，并能为实验方案设计提供有效建议，如图2所示。
图2 Vibe-FDTR与传统人工分析流程的对比
这一框架的核心思路，是让大语言模型不要从零推导热传导方程或临时编写数值算法，而是将经过既有研究验证的专业计算程序与科研人员积累的分析经验结合起来。Vibe-FDTR由相互配合的两部分组成（图3）：底层是配置驱动的FDTR计算代码，负责数据读取、模型建立、拟合及不确定度计算，并统一参数名称、单位和数据结构，对输入设置进行检查；另一部分是以Agent Skills组织的流程指引，将数据处理、配置生成、测量模式选择、多步骤拟合等操作规范转化为智能体可遵循的明确步骤，智能体按需加载，把自然语言意图转化为可核查的步骤。该框架还预留相对独立的“专家层”，可补充物理假设、划分参数角色并设计候选方案，用于实验设计与故障诊断等开放性问题。
图3 Vibe-FDTR的框架结构
为检验这套方法能否在无人工干预下稳定可靠地工作，团队设计了覆盖16项任务的系统基准测试，如表1所示。其中，7项基础任务（L1）使用合成数据，检验单步拟合、灵敏度与不确定度分析；9项综合任务（L2）则基于真实的金/石墨FDTR测量数据，包含数据预处理、连续拟合、参数传递以及变温批处理等更接近实际研究中完整分析流程的操作。每项任务均独立重复10次，并将输出与预先确定的参考结果进行比较。
表1 两级基准任务一览，其中L1为合成数据上的单操作测试，L2为金/石墨实测数据上的完整流程
测试结果显示，Vibe-FDTR在基础任务中70次运行全部成功，在综合任务中90次运行成功89次，成功率分别达到100%和98.9%。为区分专业代码与流程指引各自的作用，团队还设置了两组对照：如果去掉Agent Skills，仅向智能体提供专业代码，两个级别的成功率分别降至91.4%和36.7%；如果连专业代码也不提供，成功率进一步降至38.6%和0%（图4）。这一对比表明，专业计算程序为数据分析提供了基础，而明确的流程指引对于完成复杂、多步骤任务尤为关键。
图4 两级基准中各任务的成功次数（每项重复10次）
可靠性提高的同时，分析效率也得到显著改善。面向基础任务和综合任务，Vibe-FDTR的平均执行时间分别为88秒和106秒，比仅提供专业代码的对照方案缩短64.9%和69.0%；单次任务平均模型调用成本分别约为0.0098美元和0.0133美元，均降低87.7%（图5）。对于其中最复杂的变温批处理任务，智能体可先在室温下完成多步骤迭代拟合，再将分析扩展到另外8组温度数据，平均约2分钟即可完成整个流程，避免了大量重复的人工操作。
图5 单次运行的平均成本与耗时
执行明确规定的分析任务之外，团队还为Vibe-FDTR设计了可选的“专家模式”，探索AI辅助实验方案设计和复杂数据诊断的可能性。面对信息不完整的研究需求，智能体可以明确必要的物理假设，利用灵敏度和不确定度计算比较不同方案，并据此给出具有物理依据的建议。例如，在金/薄膜/碳化硅多层结构的测量设计中，智能体识别出薄膜热导率与界面热导的信号贡献难以区分，指出仅凭单组测量数据不能可靠地同时反演两者，并建议在引入额外约束后有针对性地选择拟合参数。这类判断有助于研究人员在开展实验之前就识别出不易测准的参数，避免仅凭拟合结果作出过度解释。
论文同时指出，专家模式目前主要通过代表性案例对决策过程和建议合理性进行定性检验，受限于语言模型的能力在部分异常数据处理与拟合方案回溯中仍存在不足，尚不能替代研究人员的专业判断。Vibe-FDTR的意义在于，将经过验证的物理计算工具与可执行、可追溯的科研分析流程共同交给AI智能体，使其从单纯的代码生成工具转变为能够协助完成专业测量分析的科研助手。这一思路有望推广至时域热反射（TDTR）和瞬态热光栅（TTG）等其他热测量技术，并在未来与仪器控制、数据采集进一步结合，为微纳尺度热物性测量的智能化和自动化提供新的路径。
相关成果以“Vibe-FDTR: An agent-oriented framework for reproducible frequency-domain thermoreflectance data analysis”为题，发表于我国高端科学仪器领域重点建设的英文国际期刊Advanced Scientific Instruments，有关代码已在Github开源。清华大学工程力学系、微纳米力学与多学科交叉创新研究中心与北京大学联合培养的已毕业博士生杨馥玮，北京大学博士生李炜恒为共同第一作者，宋柏为通讯作者。研究获得国家自然科学基金创新研究群体项目（52521007）、教育部青年教师科研创新能力支持项目（ZYGXQNJSKYCXNLZCXM-E1）、国家重点研发计划（2022YFA1203100、2024YFA1207900）、北京大学高性能计算平台，以及新基石科学基金会“科学探索奖”的支持。
Vibe-FDTR开源代码：https://github.com/yfwsunny/Vibe_FDTR
Vibe-FDTR测试开源代码：https://github.com/lwh9346/Vibe_FDTR_benchmarks
