GENIUS: uma estrutura de IA agente para o projeto e execução autônomos de protocolos de simulação

Ferramentas mais inteligentes para descobrir novos materiais

Projetar baterias, catalisadores e dispositivos eletrônicos melhores depende cada vez mais de simulações por computador que preveem como os materiais se comportam antes de serem fabricados no laboratório. Ainda assim, executar essas simulações costuma exigir um especialista que conheça comandos complexos de software e milhares de opções técnicas. Este artigo apresenta o GENIUS, um sistema de inteligência artificial que atua como um assistente especialista, convertendo pedidos em linguagem natural de cientistas em configurações de simulação funcionais de forma automática. Ao reduzir a barreira técnica, o GENIUS pretende permitir que muitos mais pesquisadores utilizem cálculos poderosos em nível quântico em seu trabalho diário.

A fricção oculta por trás de experimentos virtuais

A pesquisa moderna em materiais apoia‑se fortemente em simulações átomo a átomo para testar ideias de forma rápida e econômica. Programas como o Quantum ESPRESSO hoje podem alcançar a precisão experimental para muitos cristais, mas seu uso cotidiano frequentemente fica limitado a especialistas. Configurar um único cálculo pode exigir vasculhar documentação densa, escolher parâmetros compatíveis e depurar mensagens de erro crípticas. Mesmo usuários experientes podem gastar horas lidando com arquivos de entrada em vez de pensar na ciência. Essa lacuna entre o que o software pode fazer e o que a maioria dos cientistas consegue usar com conforto é frequentemente chamada de “gap saber‑fazer” e atrasa a tradução da teoria em tecnologias do mundo real.

Uma camada intermediária de IA entre pessoas e código

O GENIUS foi concebido como uma camada intermediária inteligente que se situa entre o pesquisador e o programa de simulação. O usuário começa com um pedido em linguagem livre, por exemplo pedindo uma otimização de geometria de um material bidimensional específico com um determinado método quântico. O GENIUS decompõe esse pedido usando grandes modelos de linguagem e um “grafo de conhecimento” estruturado que codifica como as 247 configurações-chave do Quantum ESPRESSO se relacionam entre si e com a física subjacente. A partir disso, ele elabora um arquivo de entrada completo que respeita a sintaxe e as regras internas do software. Crucialmente, o GENIUS não depende apenas da memória do modelo de linguagem; ele fundamenta suas escolhas em documentação curada e em informações de banco de dados sobre o material estudado, o que reduz fortemente configurações inventadas ou inconsistentes.

Aprendendo com erros sem depuração humana

Mesmo simulações cuidadosamente preparadas podem falhar na primeira tentativa. Para lidar com isso, o GENIUS inclui um loop automatizado de recuperação de erro. Quando o Quantum ESPRESSO rejeita uma entrada, o programa produz uma mensagem de erro. O GENIUS lê essa mensagem, consulta seu grafo de conhecimento para interpretar o que deu errado e propõe uma versão corrigida da entrada. Um sistema de controle simples, porém disciplinado, registra essas tentativas, decidindo quando tentar novamente com o mesmo modelo de linguagem, quando reiniciar a partir de um modelo limpo e quando escalar para um modelo mais potente. Esse loop continua até que a simulação passe em cheques iniciais ou o sistema conclua que novas tentativas provavelmente não ajudarão. Ao longo do processo, logs registram cada decisão, fornecendo um rastro claro para inspeção posterior ou intervenção humana.

Como o sistema desempenha na prática

Para avaliar a robustez do GENIUS, os autores coletaram 295 prompts reais de químicos e físicos que usam rotineiramente simulações quânticas, mas não necessariamente o Quantum ESPRESSO. Esses prompts variaram de tarefas simples a altamente detalhadas. A equipe mediu se o GENIUS conseguia transformar cada pedido em um arquivo de entrada que o programa pudesse analisar e começar a executar dentro de uma curta janela de validação de um minuto. Cerca de 80% de todos os prompts resultaram em uma configuração funcional. Aproximadamente 14% tiveram sucesso na primeira tentativa, enquanto a maior parte do restante foi recuperada pelo loop automatizado de tratamento de erros. A chance de “resgatar” uma execução falhada caiu rapidamente a cada tentativa adicional e estabilizou perto de um patamar de 7%, mostrando que a maioria dos problemas corrigíveis é resolvida no início. Baselines simples de modelos de linguagem, sem o grafo de conhecimento e a lógica de controle, raramente produziam entradas válidas, destacando o valor da arquitetura do GENIUS em vez de apenas modelos maiores.

Abrindo simulações avançadas para mais cientistas

Do ponto de vista leigo, o GENIUS é um passo para tornar simulações quânticas altamente técnicas tão acessíveis quanto um mecanismo de busca moderno. Em vez de memorizar comandos arcanos, os pesquisadores descrevem o que querem, e o sistema monta, testa e corrige automaticamente as instruções necessárias. Por baixo do capô, o GENIUS combina conhecimento de domínio estruturado, múltiplos modelos de linguagem e uma estratégia de retentativa cuidadosa para manter os erros sob controle. Embora o trabalho atual se concentre em um pacote de simulação amplamente usado, o mesmo desenho poderia ser adaptado a outros códigos onde existam documentação clara e mensagens de erro. Ao reduzir o gap saber‑fazer, estruturas como o GENIUS podem ajudar mais laboratórios, empresas e estudantes a incorporar ferramentas computacionais avançadas na descoberta diária de materiais.

Citação: 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

Palavras-chave: simulação de materiais, fluxos de trabalho autônomos, IA agentiva, teoria do funcional da densidade, Quantum ESPRESSO