[论文解读] AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence

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

Machine Learning in Materials Science被引用 8

一句话总结

本文提出 AtomAgents，一个具备物理意识的多代理 AI 框架，结合大语言模型、多模态数据与原子级模拟，能够自主设计和分析金属合金。它展示了在多项合金设计任务中，使用 LAMMPS 与各种 AI 工具进行自动化工作流规划、执行与分析。

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.

研究动机与目标

• 阐明在跨尺度加速合金设计中需要集成化、自治的 AI 系统的动机。
• 开发一个具物理意识的多代理框架，将 LLMs、原子级模拟和多模态数据结合起来。
• 展示在降低人类干预的情况下，对合金设计任务进行自动化规划、执行和分析。
• 展示包括性质计算、缺陷分析、断裂韧性预测以及假设生成/验证在内的多任务能力。
• 突出对非专家研究人员的可解释性和可获取性方面的好处。

提出的方法

• 提出 AtomAgents，这是一个以大语言模型驱动的大脑-感知-行动架构的多模型、多代理系统。
• 使用感知模块从模拟、文献、数据库和图像中收集多模态数据；让大脑模块进行规划与推理；让行动模块使用如 LAMMPS 和分析工具等执行。
• 将基于物理的模拟（LAMMPS）与能够检索知识、撰写代码、绘制结果并分析图像的 AI 代理整合，形成端到端的合金设计工作流。
• 采取规划/评估/知识规划与测试（KPT）循环，在执行前生成并验证执行计划。
• 使用专门的代理配置（用户、科学家、规划者、评判者等），以及面向工具的子代理组来执行计算、知识检索、编码和图像分析。
• 展示多实验工作流，包括性质计算、通过差分位移图进行螺位错分析、NbMo 合金的断裂韧性预测，以及对 Peierls 能垒的假设生成。

实验结果

研究问题

• RQ1 具物理意识的多代理 AI 系统是否能够在无需大量人类脚本的情况下自主完成多目标合金设计任务？
• RQ2 多模态数据（文本、图像、模拟）在多大程度上可以高效整合以驱动原子级材料设计与分析？
• RQ3 此类系统在多大程度上能够在合金中重现并扩展标准材料分析（弹性常数、表面能、断裂韧性、位错核结构）？
• RQ4 在该框架中，假设生成与验证在加速发现中的作用是什么？

主要发现

• AtomAgents 框架实现了对合金设计任务的自主规划、执行和分析，且几乎不需要人类干预。
• 实验展示了来自多源属性的整合、多模态数据分析，以及将微观尺度特征与宏观尺度属性的关联。
• 系统能够计算弹性常数和表面能，预测 NbMo 合金的断裂韧性，并使用不同势能的差分位移图来分析螺位错核。
• 包括具图像能力的组件在内的多模型代理能够识别位错核结构并从图表和图像中提取洞见，实现稳健的多尺度分析。
• 由整合的 Scientist 代理进行的假设生成可以提出关系（例如 Peierls 能垒与能量变化的标准差）的假设，以通过仿真引导高效的验证。
• 该框架通过实现文本驱动的工作流来提升对非专家的可访问性，并提供交互可追溯性以实现可解释性。