[논문 리뷰] AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence

Alireza Ghafarollahi, Markus J. Buehler|arXiv (Cornell University)|2024. 07. 13.

Machine Learning in Materials Science인용 수 8

한 줄 요약

본 논문은 LLM, 다중 모드 데이터 및 원자 수준 시뮬레이션을 통합하여 금속 합금의 자율적 설계 및 분석을 수행하는 물리 인식형 멀티 에이전트 AI 프레임워크인 AtomAgents를 제시합니다. 이는 LAMMPS와 다양한 AI 도구를 사용한 다수 합금 설계 작업에서 자율적 워크플로우 계획, 실행 및 분석을 시연합니다.

ABSTRACT

The design of alloys is a multi-scale problem that requires a holistic approach that involves retrieving relevant knowledge, applying advanced computational methods, conducting experimental validations, and analyzing the results, a process that is typically reserved for human experts. Machine learning (ML) can help accelerate this process, for instance, through the use of deep surrogate models that connect structural features to material properties, or vice versa. However, existing data-driven models often target specific material objectives, offering limited flexibility to integrate out-of-domain knowledge and cannot adapt to new, unforeseen challenges. Here, we overcome these limitations by leveraging the distinct capabilities of multiple AI agents that collaborate autonomously within a dynamic environment to solve complex materials design tasks. The proposed physics-aware generative AI platform, AtomAgents, synergizes the intelligence of large language models (LLM) the dynamic collaboration among AI agents with expertise in various domains, including knowledge retrieval, multi-modal data integration, physics-based simulations, and comprehensive results analysis across modalities that includes numerical data and images of physical simulation results. The concerted effort of the multi-agent system allows for addressing complex materials design problems, as demonstrated by examples that include autonomously designing metallic alloys with enhanced properties compared to their pure counterparts. Our results enable accurate prediction of key characteristics across alloys and highlight the crucial role of solid solution alloying to steer the development of advanced metallic alloys. Our framework enhances the efficiency of complex multi-objective design tasks and opens new avenues in fields such as biomedical materials engineering, renewable energy, and environmental sustainability.

연구 동기 및 목표

• 축척 간 합금 설계를 가속화하기 위한 통합된 자율 AI 시스템의 필요성을 제시한다.
• LLMs와 원자적 시뮬레이션 및 다중 모달 데이터를 결합한 물리 인식 멀티에이전트 프레임워크를 개발한다.
• 인간의 개입을 줄인 합금 설계 작업에 대한 자율적 계획, 실행 및 분석을 시연한다.
• 속성 계산, 결함 분석, 파괴 인성 예측 및 가설 생성/검증 등 다중 작업 기능을 선보인다.
• 비전문 연구자들을 위한 해석 가능성과 접근성의 이점을 강조한다.

제안 방법

• AtomAgents를 LLMs가 주도하는 뇌-지각-행동 아키텍처를 갖춘 다모델, 다에이전트 시스템으로 제안한다.
• 지각 모듈을 사용해 시뮬레이션, 문헌, 데이터베이스 및 이미지로부터 다중 모달 데이터를 수집하고; 뇌 모듈은 계획과 추론을 수행하며; 행동 모듈은 LAMMPS 및 분석 유틸리티와 같은 도구로 실행한다.
• 물리 기반 시뮬레이션(LAMMPS)을 지식을 검색하고, 코드를 작성하고, 결과를 시각화하고, 이미지를 분석하는 AI 에이전트와 통합해 엔드투엔드 합금 설계 워크플로를 만든다.
• 실행 계획을 수행하기 전에 생성 및 검증하기 위해 계획/평가/지식 계획 및 테스트(KPT) 루프를 사용한다.
• 도구별 에이전트 하위 그룹을 가진 사용자(User), 과학자(Scientist), 계획자(Planner), 비평가(Critic) 등 전문화된 에이전트 프로필을 활용해 계산, 지식 검색, 코딩 및 이미지 분석을 수행한다.
• 속성 계산, 차등 변위 맵을 통한 나사선 핵 분석, NbMo 합금의 파괴 인성 예측 및 Peierls 장벽 가설에 대한 가설 생성 등 다중 실험 워크플로를 시연한다.

실험 결과

연구 질문

• RQ1 물리 인식 멀티에이전트 AI 시스템이 광범위한 인간 스크립팅 없이도 다목적 합금 설계 작업을 자율적으로 수행할 수 있는가?
• RQ2 다중 모달 데이터(텍스트, 이미지, 시뮬레이션)를 얼마나 효과적으로 통합하여 원자적 재료 설계 및 분석을 추진할 수 있는가?
• RQ3 이러한 시스템이 합금을 대상으로 탄성 상수, 표면 에너지, 파괴 인성, 결함 핵 구조 등 표준 재료 분석을 재현하고 확장할 수 있는 정도는 어느 정도인가?
• RQ4 가설 생성 및 검증이 이 프레임워크 내 발견의 가속에 어떤 역할을 하는가?

주요 결과

• AtomAgents 프레임워크는 최소한의 인간 개입으로 합금 설계 작업의 자율적 계획, 실행 및 분석을 가능하게 한다.
• 실험은 다양한 소스의 특성 통합, 다중 모달 데이터 분석 및 미시적 특징을 거시적 특성에 연결하는 것을 시연한다.
• 시스템은 탄성 상수와 표면 에너지를 계산하고 NbMo 합금의 파괴 인성을 예측하며 서로 다른 포텐셜 간의 차등 변위 맵을 이용한 나사선 핵 분석을 수행할 수 있다.
• 다중 모델 에이전트(이미지 가능 구성요소 포함)가 나사선 핵 구조를 식별하고 플롯 및 이미지에서 통찰을 추출해 다중 스케일 분석을 강화한다.
• 통합된 Scientist 에이전트에 의한 가설 생성을 통해 예를 들어 Peierls 장벽 대비 에너지 변화의 표준편차와 같은 관계를 제안하고 시뮬레이션을 통한 효율적 검증을 안내한다.
• 프레임워크는 텍스트 주도 워크플로를 가능하게 하여 비전문가의 접근성을 높이고 상호작용의 추적 가능성을 제공하여 해석 가능성을 높인다.