Modułowe systemy agentów dużych modeli językowych do wielozadaniowych obliczeń w nauce o materiałach

Inteligentni pomocnicy przy projektowaniu lepszych materiałów

Od lżejszych samolotów po dłużej działające baterie — nowe materiały napędzają wiele technologii, na których polegamy na co dzień. Jednak ich odkrywanie i testowanie może być czasochłonne i skomplikowane. W artykule przedstawiono MatSciAgent, inteligentnego asystenta cyfrowego zbudowanego na dużych modelach językowych, którego celem jest przyspieszenie i uproszczenie badań materiałowych poprzez zamianę pytań w języku naturalnym na konkretne symulacje, wyszukiwania w bazach danych i propozycje struktur.

Jeden cyfrowy dyrygent, wielu wyspecjalizowanych pomocników

W sercu MatSciAgent stoi agent główny, który zachowuje się jak dyrygent orkiestry. Badacz wpisuje pytanie w codziennym języku, na przykład o odpowiednie materiały lub o to, jak zachowa się metal podczas chłodzenia. Agent główny rozpoznaje rodzaj zadania i przekazuje je jednemu z kilku wyspecjalizowanych agentów. Należą do nich agenci do wyszukiwania danych o materiałach, uruchamiania modeli komputerowych opisujących zmiany kształtu lub fazy, projektowania struktur krystalicznych oraz symulowania ruchu atomów. Każdy specjalista ma dostęp do własnych narzędzi i oprogramowania, podczas gdy model językowy odpowiada za zrozumienie żądania i zaplanowanie kroków.

Opieranie odpowiedzi na danych, nie na przypuszczeniach

Głównym problemem w przypadku ogólnych modeli językowych jest to, że potrafią brzmieć przekonująco, choć są błędne. MatSciAgent rozwiązuje to przez powiązanie odpowiedzi bezpośrednio z zaufanymi bazami danych materiałów. Gdy użytkownik pyta o metody syntezy materiałów do ogniw słonecznych lub długości wiązań w krysztale takim jak dwutlenek tytanu, agent ekstrakcji danych łączy się z zasobami takimi jak Materials Project czy MatWeb. Zgromadza aktualne wpisy, filtruje je i tworzy streszczenie oparte na rzeczywistych rekordach zamiast na samej „pamięci” modelu. Testy pokazują, że takie podejście daje bogatsze, dokładniejsze odpowiedzi niż model językowy działający bez wsparcia, zawierające konkretne składy, temperatury procesów i szczegóły strukturalne.

Od obrazów mikrostruktury po ruchy atomowe

Rama systemu tłumaczy instrukcje w języku naturalnym na pełne symulacje komputerowe. W symulacjach ciągłych system modeluje, jak stygą stopy stopów metali lub jak rosną ziarna w polikrystalach podczas nagrzewania. Wyodrębniając parametry takie jak rozmiar siatki, prawdopodobieństwo wzrostu czy liczba jąder z opisów użytkownika, może automatycznie uruchamiać narzędzia tworzące klatka po klatce obrazy ewoluujących mikrostruktur. Dla zachowań w skali atomowej agent dynamiki molekularnej przygotowuje symulacje metali, na przykład aluminium, w zadanych temperaturach i warunkach. Konfiguruje struktury krystaliczne, wybiera modele oddziaływań i sprawdza, czy energia i temperatura zachowują się oczekiwane w ciągu tysięcy kroków czasowych.

Wymyślanie prawdopodobnych bloków konstrukcyjnych kryształów

Czasem struktura interesującego materiału nie jest jeszcze dostępna w publicznych bazach. W takich przypadkach MatSciAgent zawiera agenta generowania kryształów oparty na wyspecjalizowanym modelu językowym o nazwie CrystaLLM. Na podstawie składu i opisu symetrii agent proponuje szczegółowe struktury krystaliczne w standardowym formacie plików, które można wizualizować lub użyć bezpośrednio w późniejszych symulacjach. System potrafi też łączyć kroki: na przykład wygenerować strukturę krystaliczną dla związku niklu z aluminium, a następnie, w kolejnym żądaniu, uruchomić symulację atomową tej konkretnej struktury bez konieczności ponownego podawania wszystkich szczegółów przez użytkownika.

Sprawdzanie wiarygodności i przestrzeń do rozwoju

Ponieważ praca naukowa opiera się na zaufaniu, autorzy dokładnie przetestowali, jak spójnie zachowuje się MatSciAgent. Powtarzali te same zapytania wiele razy i śledzili, które agenty i narzędzia były wybierane, jakie parametry były wyodrębniane i jakie wyniki zwracano. Dla wyszukiwań materiałów, symulacji continuum i symulacji atomowych system niemal zawsze wybierał te same ścieżki pracy i parametry, z jedynie sporadycznymi niepowodzeniami i drobnymi różnicami w formułowaniu odpowiedzi. Projekt jest modułowy, więc z czasem można dodawać nowe bazy danych, bardziej zaawansowane modele czy dodatkowe metody symulacyjne, by poszerzyć zakres problemów materiałowych, którymi asystent może się zajmować.

Dlaczego to ma znaczenie dla przyszłych odkryć materiałowych

Mówiąc prosto, praca ta pokazuje, jak AI oparte na języku może wyjść poza prosty czat i działać jako wiarygodny asystent laboratoryjny w nauce o materiałach. Dzięki ugruntowywaniu decyzji w zaufanych danych i sprawdzonych narzędziach symulacyjnych, MatSciAgent pomaga badaczom przejść od pytania do konkretnych liczb, struktur i wizualizacji przy znacznie mniejszym nakładzie ręcznej konfiguracji. Chociaż nie zastępuje osądu eksperta ani głębokiej wiedzy fizycznej, jego konsekwentne działanie i elastyczna konstrukcja sugerują, że może stać się codziennym towarzyszem naukowców poszukujących następnej generacji materiałów funkcjonalnych.

Cytowanie: Chaudhari, A., Ock, J. & Barati Farimani, A. Modular large language model agents for multi-task computational materials science. Commun Mater 7, 131 (2026). https://doi.org/10.1038/s43246-025-00994-x

Słowa kluczowe: informatyka materiałowa, duże modele językowe, agenci naukowi, dynamika molekularna, generowanie struktur krystalicznych