⏶1
GraphAgents：知识图谱引导的跨领域材料设计智能体 AI
发表
由 
Markus Buehler 提交
Markus Buehler 提交作者: Isabella A. Stewart, Tarjei Paule Hage, Yu-Chuan Hsu, Markus J. Buehler
Markus J. Buehler摘要
AI 生成总结
一个由知识图谱引导的多智能体框架解决了材料科学挑战，通过整合专门的智能体进行问题分解、证据检索和图遍历，以发现可持续的 PFAS 替代品。大语言模型 (LLM) 有望通过在不断扩展的科学领域进行推理来加速发现。然而，挑战不再是获取信息，而是以有意义的、跨领域的方式连接信息。在材料科学中，创新需要整合从分子化学到机械性能的概念，这一点尤为突出。无论是人类还是单智能体 LLM 都无法完全应对海量信息，且后者往往容易产生幻觉。为了解决这一瓶颈，我们引入了一个由大规模知识图谱引导的多智能体框架，旨在寻找全氟和多氟烷基物质 (PFAS) 的可持续替代品——这些化学品目前正面临严格的监管审查。框架中的智能体专门负责问题分解、证据检索、设计参数提取和图遍历，揭示不同知识孤岛之间的潜在联系以支持假设生成。消融实验表明，完整的多智能体流水线优于单次提示，强调了分布式专业化和关系推理的价值。我们展示了通过定制图遍历策略，系统可以在专注于领域关键结果的探索性搜索和发现新兴交叉联系的探索性搜索之间交替进行。以生物医学导管为例，该框架生成了平衡摩擦学性能、热稳定性、耐化学性和生物相容性的可持续无 PFAS 替代方案。这项工作建立了一个结合知识图谱与多智能体推理的框架，以扩展材料设计空间，并展示了几个初始候选设计以证明该方法的有效性。
GraphAgents：知识图谱引导的用于跨领域材料设计的智能 AI
大语言模型（LLM）有望通过跨越不断扩张的科学领域进行推理来加速发现。然而，挑战已不再是获取信息，而是以有意义的、跨领域的方式连接信息。在材料科学中，创新需要整合从分子化学到机械性能的概念，这一点尤为紧迫。无论是人类还是单智能体 LLM 都无法完全应对海量信息，且后者往往容易产生幻觉。为了解决这一瓶颈，我们引入了一个由大规模知识图谱引导的多智能体框架，以寻找目前受到严格监管审查的全氟和多氟烷基物质（PFAS）的可持续替代品。框架中的智能体分别专注于问题分解、证据检索、设计参数提取和图遍历，揭示不同知识孤岛之间的潜在联系，以支持假设生成。消融研究表明，完整的多智能体流水线优于单次提示（single-shot prompting），强调了分布式专业化和关系推理的价值。我们证明，通过定制图遍历策略，系统可以在专注于领域关键结果的开发性搜索和发现新兴跨界联系的探索性搜索之间交替。通过生物医学管道的范例，该框架生成了平衡摩擦性能、热稳定性、耐化学性和生物相容性的可持续无 PFAS 替代方案。这项工作建立了一个结合知识图谱与多智能体推理的框架，以扩展材料设计空间，并展示了几个初步设计候选方案以证明该方法的有效性。