GENIUS: een agentisch AI‑raamwerk voor autonome ontwerp en uitvoering van simulatieroutines

Slimmere hulpmiddelen voor het ontdekken van nieuwe materialen

Het ontwerpen van betere batterijen, katalysatoren en elektronische apparaten hangt steeds meer af van computersimulaties die voorspellen hoe materialen zich gedragen nog voordat ze in het lab worden gemaakt. Het uitvoeren van deze simulaties vereist echter vaak een specialist die vertrouwd is met ingewikkelde softwarecommando’s en duizenden technische opties. Dit artikel introduceert GENIUS, een kunstmatig‑intelligentiesysteem dat fungeert als een deskundige assistent en vrije‑tekstverzoeken van wetenschappers automatisch omzet in werkende simulatie‑opstellingen. Door de technische drempel te verlagen, wil GENIUS veel meer onderzoekers in staat stellen krachtige kwantumniveau‑berekeningen in hun dagelijkse werk te gebruiken.

De verborgen wrijving achter virtuele experimenten

Moderne materiaalonderzoeken leunen zwaar op atoom‑voor‑atoom simulaties om ideeën snel en goedkoop te testen. Programma’s zoals Quantum ESPRESSO kunnen nu voor veel kristallen experimentele nauwkeurigheid benaderen, maar in de praktijk zijn ze vaak beperkt tot specialisten. Het opzetten van een enkele berekening kan vereisen dat je door uitgebreide documentatie graaft, compatibele parameters kiest en cryptische foutmeldingen debugt. Zelfs ervaren gebruikers kunnen uren bezig zijn met inputbestanden in plaats van met de wetenschap zelf. Deze kloof tussen wat de software kan en wat de meeste wetenschappers comfortabel kunnen gebruiken wordt vaak de “know‑do gap” genoemd en vertraagt de vertaling van theorie naar praktische technologieën.

Een AI‑tussenlaag tussen mensen en code

GENIUS is ontworpen als een intelligente tussenlaag die tussen de onderzoeker en het simulatieprogramma zit. Een gebruiker begint met een vrije‑tekstverzoek, bijvoorbeeld om een geometrieoptimalisatie van een specifiek tweedimensionaal materiaal met een bepaalde kwantummethode. GENIUS deelt dit verzoek op met behulp van grote taalmodellen en een gestructureerde “kennisgrafiek” die vastlegt hoe de 247 sleutelinstellingen van Quantum ESPRESSO zich tot elkaar en tot de onderliggende fysica verhouden. Daarmee stelt het een compleet inputbestand op dat de syntaxis en interne regels van de software respecteert. Cruciaal is dat GENIUS niet alleen op het geheugen van het taalmodel vertrouwt; het onderbouwt zijn keuzes met gecureerde documentatie en database‑informatie over het werkelijke bestudeerde materiaal, wat gegronde of inconsistente instellingen sterk vermindert.

Leren van fouten zonder menselijke debugging

Zelfs zorgvuldig voorbereide simulaties kunnen bij de eerste poging mislukken. Om dit op te vangen bevat GENIUS een geautomatiseerde fout‑herstelcyclus. Wanneer Quantum ESPRESSO een input afwijst, genereert het programma een foutmelding. GENIUS leest die melding, raadpleegt zijn kennisgrafiek om te interpreteren wat er misging, en stelt een gecorrigeerde versie van de input voor. Een eenvoudige maar gedisciplineerde controlestructuur volgt deze pogingen en besluit wanneer hetzelfde taalmodel opnieuw te proberen, wanneer vanaf een schoon sjabloon te herstarten en wanneer door te schakelen naar een krachtiger model. Deze lus loopt door totdat de simulatie vroege controles doorstaat of het systeem concludeert dat verdere pogingen weinig kans van slagen hebben. Gedurende dit proces leggen logboeken elke beslissing vast, waardoor een duidelijk spoor ontstaat voor latere controle of menselijke tussenkomst.

Hoe goed het systeem in de praktijk presteert

Om te beoordelen hoe robuust GENIUS is, verzamelden de auteurs 295 echte prompts van chemici en natuurkundigen die regelmatig kwantumsimulaties gebruiken, maar niet noodzakelijk Quantum ESPRESSO zelf. Deze prompts varieerden van eenvoudige tot zeer gedetailleerde taken. Het team mat of GENIUS elk verzoek kon omzetten in een inputbestand dat het programma binnen een korte, één‑minuut validatieruimte kon parseren en starten. Ongeveer 80 procent van alle prompts leidde tot een werkende opzet. Rond de 14 procent slaagde bij de allereerste poging, terwijl het grootste deel van de resterende gevallen werd gered door de geautomatiseerde foutafhandelingslus. De kans om een mislukte run te “redden” daalde snel bij elke extra poging en stabiliseerde rond een basislijn van ongeveer 7 procent, wat aantoont dat de meeste oplosbare problemen vroeg worden verholpen. Eenvoudige taalmodel‑baselines, zonder de kennisgrafiek en controlematrix, produceerden zelden valide inputs, wat de waarde van GENIUS’ architectuur benadrukt in plaats van alleen grotere modellen.

Geavanceerde simulaties toegankelijker maken voor meer wetenschappers

Voor een breed publiek is GENIUS een stap richting het zo toegankelijk maken van hooggespecialiseerde kwantumsimulaties als een moderne zoekmachine. In plaats van het uit het hoofd leren van esoterische commando’s, beschrijven onderzoekers wat ze willen en assembleert, test en repareert het systeem automatisch de benodigde instructies. Onder de motorkap combineert GENIUS gestructureerde domeinkennis, meerdere taalmodellen en een zorgvuldige herproefstrategie om fouten te beheersen. Hoewel het huidige werk zich richt op één veelgebruikt simulatiepakket, kan hetzelfde ontwerp worden aangepast aan andere codes waar duidelijke documentatie en foutmeldingen beschikbaar zijn. Door de know‑do gap te verkleinen, kunnen raamwerken als GENIUS meer laboratoria, bedrijven en studenten helpen geavanceerde computationele hulpmiddelen in alledaags materiaalonderzoek te integreren.

Bronvermelding: Soleymanibrojeni, M., Aydin, R., Guedes-Sobrinho, D. et al. GENIUS: an agentic AI framework for autonomous design and execution of simulation protocols. Commun Mater 7, 115 (2026). https://doi.org/10.1038/s43246-026-01167-0

Trefwoorden: materiaal‑simulatie, autonome workflows, agentische AI, dichtheidsfunctionaalkunde, Quantum ESPRESSO