[论文解读] 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 6

一句话总结

SciAgents 提出一个多智能体 AI 框架，使用本体论知识图谱、LLMs，以及就地学习来自动生成并改进科学假设，在生物启发材料设计中得到验证。

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.

研究动机与目标

• 利用本体知识图谱来组织并互连与生物启发材料相关的科学概念。
• 整合多个 LLMs 与数据工具，自动生成、批判性评估并优化研究假设。
• 采用多智能体架构以克服单一智能体在复杂科学推理中的局限。
• 通过知识图谱驱动的路径演示可扩展的假设生成与评估。

提出的方法

• 从约1,000篇生物启发材料与力学的论文构建大型本体论知识图谱。
• 通过随机路径采样从知识图谱中抽取子图来引导假设生成。
• 使用一组专门的 LLM 代理（Ontologist、Scientist_1、Scientist_2、Critic）结合角色特定提示来生成和扩展假设。
• 对抗性提示和上下文学习以批判性评估并改进假设，依据输出的分层扩展来引导。
• 可选地纳入人机协同环节以及如 Semantic Scholar API 等工具来评估假设的新颖性。
• 生成结构化的 JSON 输出，详细说明假设、结果、机制、设计原则、意外属性、比较和新颖性。

实验结果

研究问题

• RQ1 多智能体 AI 系统如何利用知识图谱来自动生成新颖的科学假设？
• RQ2 从知识图谱的随机路径子图采样是否比最短路径方法产生更丰富和更具影响力的假设？
• RQ3 专门代理（Ontologist、Scientist、Critic）能否协作产出具有定量深度的详细可测试研究提案？
• RQ4 在将丝基生物材料与天然色素整合以提升性能时，会出现哪些设计原则和机制？
• RQ5 自动化系统在通过人机交互反馈评估新颖性和指导实验/建模优先级方面有多有效？

主要发现

• 一个多智能体系统通过将本体驱动的图推理与基于LLM的分析相结合，可以生成新的研究假设。
• 随机路径图采样比最短路径提供更丰富的概念基础，从而实现更复杂的假设发展。
• Scientist_1 代理可以提出定量化、以机制为导向的假设，例如具有改进力学和光学特性的丝-色素复合材料。
• 所提出的丝-蒲公英色素复合材料目标是在低温加工下实现拉伸强度最高可达1.5 GPa，且约节省30%的能量。
• Critic 代理提供批评、提出改进建议，并确定验证 proposal 的关键分子建模与实验优先级。
• 该方法展示了一个可扩展的框架，融合生成式 AI、知识图谱和多智能体协作，用于材料发现。