[論文レビュー] SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning

Alireza Ghafarollahi, Markus J. Buehler|arXiv (Cornell University)|Sep 9, 2024

Semantic Web and Ontologies被引用数 6

ひとこと要約

SciAgents は、オントロジカル知識グラフ、LLMs、および現場学習を用いて自律的に科学仮説を生成・洗練する多-agent AI フレームワークを提示し、生物由来の材料設計の分野で実証される。

ABSTRACT

A key challenge in artificial intelligence is the creation of systems capable of autonomously advancing scientific understanding by exploring novel domains, identifying complex patterns, and uncovering previously unseen connections in vast scientific data. In this work, we present SciAgents, an approach that leverages three core concepts: (1) the use of large-scale ontological knowledge graphs to organize and interconnect diverse scientific concepts, (2) a suite of large language models (LLMs) and data retrieval tools, and (3) multi-agent systems with in-situ learning capabilities. Applied to biologically inspired materials, SciAgents reveals hidden interdisciplinary relationships that were previously considered unrelated, achieving a scale, precision, and exploratory power that surpasses traditional human-driven research methods. The framework autonomously generates and refines research hypotheses, elucidating underlying mechanisms, design principles, and unexpected material properties. By integrating these capabilities in a modular fashion, the intelligent system yields material discoveries, critique and improve existing hypotheses, retrieve up-to-date data about existing research, and highlights their strengths and limitations. Our case studies demonstrate scalable capabilities to combine generative AI, ontological representations, and multi-agent modeling, harnessing a `swarm of intelligence' similar to biological systems. This provides new avenues for materials discovery and accelerates the development of advanced materials by unlocking Nature's design principles.

研究の動機と目的

• 生物由来材料に関連する科学概念を整理し、相互につながるようにオントロジー知識グラフを活用する。
• 複数のLLMsとデータツールを統合し、仮説を自律的に生成・批評・洗練する。
• 複数エージェントのアーキテクチャを採用し、複雑な科学的推論における単一エージェントの限界を克服する。
• 知識グラフ駆動の経路を通じて、スケーラブルな仮説生成と評価を実証する。）

提案手法

• 生物由来材料と力学の約1,000件の論文から大規模なオントロジー知識グラフを構築する。
• ランダム経路サンプリングを通じて知識グラフからサブグラフを抽出し、仮説生成を導く。
• 役割特化のプロンプトを用いた専門のLLMエージェント群（Ontologist、Scientist_1、Scientist_2、Critic）を用いて仮説を生成・拡張する。
• 対立的プロンプティングおよびインコンテキスト学習により仮説を批評・改善し、出力の階層的展開に誘導する。
• 任意で人間の介入（Human-in-the-Loop）との対話やSemantic Scholar API などのツールを組み込み、仮説の新規性を評価する。
• 仮説、結果、機構、設計原理、予期しない特性、比較、および新規性を詳述する構造化されたJSON出力を生成する。

実験結果

リサーチクエスチョン

• RQ1 マルチエージェントAIシステムは、知識グラフをどのように活用して自律的に新規の科学的仮説を生成できるか。
• RQ2 知識グラフからのランダム経路サブグラフサンプリングは、最短経路法よりも多様で影響力のある仮説を生み出すか。
• RQ3 専門的エージェント（Ontologist、 Scientist、 Critic）が協力して、定量的な深さを持つ詳細で検証可能な研究提案を作成できるか。
• RQ4 絹由来の生体材料と天然色素を統合して特性を高める際、どのような設計原理と機構が現れるか。
• RQ5 自動化システムは人間の介入フィードバックを通じて、新規性をどれだけ効果的に評価し、実験・モデリングの優先順位を指針できるか。

主な発見

• オントロジー駆動のグラフ推論とLLMベースの分析を統合することで、マルチエージェントシステムは新規の研究仮説を生成できる。
• ランダム経路グラフサンプリングは最短経路よりも豊かな概念基盤を生み出し、より洗練された仮説開発を可能にする。
• Scientist_1 エージェントは、絹–顔料複合材料のような機構中心で定量的な仮説を提案できる（機械的・光学的特性の向上など）。
• 提案された絹–タンポポ色素複合材料は、低温加工を通じて最大1.5 GPaの引張強度と約30%のエネルギー削減を目指す。
• Criticエージェントは批評を提供し、改善を推奨し、提案を検証するための重要な分子モデリングと実験の優先事項を特定する。
• このアプローチは、生成的AI、知識グラフ、およびマルチエージェント協調を組み合わせた材料発見のスケーラブルなフレームワークを実証する。