Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems

要約

マルチエージェント AI モデルは、マルチモーダル データと原子シミュレーションによる物理学からの洞察を含む外部知識を統合して、新しい金属合金の発見を自動化するために使用されます。
当社のマルチエージェント システムは 3 つの重要なコンポーネントを備えています: (a) 推論や計画などのタスクを担当する一連の LLM、(b) 動的に連携する明確な役割と専門知識を持つ AI エージェントのグループ、(c) 新しく開発された
主要な物理的特性を迅速に取得するためのグラフ ニューラル ネットワーク (GNN) モデル。
LLM 主導の AI エージェントのセットが連携して、GNN からの予測に基づいて MPEA の広大な設計空間の探索を自動化します。
私たちは、ML ベースの原子間ポテンシャルを使用してモデル化された体心立方晶 (bcc) 合金の NbMoTa ファミリーに焦点を当て、パイエルス障壁と溶質/らせん転位相互作用エネルギーという 2 つの重要な特性をターゲットとしています。
当社の GNN モデルは、これらの原子スケールの特性を正確に予測し、コストのかかる総当たり計算に代わる高速な代替手段を提供し、物理検索のためのマルチエージェント システムの計算負荷を軽減します。
この AI システムは、人間の専門知識への依存を減らし、直接的な全原子シミュレーションの制限を克服することで、材料発見に革命をもたらします。
GNN の予測能力と LLM ベースのエージェントの動的連携を相乗することで、システムは広大な合金設計空間を自律的にナビゲートし、原子スケールの材料特性の傾向を特定し、マクロスケールの機械的強度を予測します。これはいくつかの計算実験で実証されています。
このアプローチは、先進的な合金の発見を加速し、他の複雑なシステムでのより広範な応用が期待され、自動化された材料設計における大きな前進となります。

要約(オリジナル)

A multi-agent AI model is used to automate the discovery of new metallic alloys, integrating multimodal data and external knowledge including insights from physics via atomistic simulations. Our multi-agent system features three key components: (a) a suite of LLMs responsible for tasks such as reasoning and planning, (b) a group of AI agents with distinct roles and expertise that dynamically collaborate, and (c) a newly developed graph neural network (GNN) model for rapid retrieval of key physical properties. A set of LLM-driven AI agents collaborate to automate the exploration of the vast design space of MPEAs, guided by predictions from the GNN. We focus on the NbMoTa family of body-centered cubic (bcc) alloys, modeled using an ML-based interatomic potential, and target two key properties: the Peierls barrier and solute/screw dislocation interaction energy. Our GNN model accurately predicts these atomic-scale properties, providing a faster alternative to costly brute-force calculations and reducing the computational burden on multi-agent systems for physics retrieval. This AI system revolutionizes materials discovery by reducing reliance on human expertise and overcoming the limitations of direct all-atom simulations. By synergizing the predictive power of GNNs with the dynamic collaboration of LLM-based agents, the system autonomously navigates vast alloy design spaces, identifying trends in atomic-scale material properties and predicting macro-scale mechanical strength, as demonstrated by several computational experiments. This approach accelerates the discovery of advanced alloys and holds promise for broader applications in other complex systems, marking a significant step forward in automated materials design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google