Модульные агенты больших языковых моделей для многозадачной вычислительной материаловедческой науки

Умные помощники для проектирования лучших материалов

От более лёгких самолётов до долговечных батарей — новые материалы тихо питают многие технологии, от которых мы зависим каждый день. Но открытие и тестирование таких материалов может быть медленным и сложным. В этой статье представлен MatSciAgent, умный цифровой помощник на базе больших языковых моделей, который призван ускорить и упростить материалы‑научные исследования, переводя вопросы на простом языке в конкретные симуляции, запросы к базам данных и предложения по структурам.

Один цифровой дирижёр, много специализированных помощников

В основе MatSciAgent лежит главный агент, который ведёт себя как дирижёр оркестра. Исследователь вводит вопрос на повседневном языке — например, какие материалы подходят или как поведёт себя металл при охлаждении. Главный агент решает, к какому типу задач относится запрос, и перенаправляет его одному из нескольких специализированных агентов. Среди них — агенты для поиска данных о материалах, запуска компьютерных моделей того, как материалы меняют форму или фазу, проектирования кристаллических структур и симуляции движения атомов. Каждый специалист имеет доступ к собственным инструментам и ПО, а языковая модель отвечает за понимание запроса и планирование шагов.

Подтверждение ответов реальными данными, а не догадками

Главная проблема универсальных языковых моделей в том, что они иногда звучат уверенно, но ошибаются. MatSciAgent решает это, связывая свои ответы напрямую с надёжными базами данных по материалам. Когда пользователь запрашивает пути синтеза для материалов солнечных элементов или длины связи в кристалле, например диоксида титана, агент по извлечению данных обращается к ресурсам вроде Materials Project и MatWeb. Затем он собирает актуальные записи, фильтрует их и пишет резюме на основе реальных записей, а не только «памяти» модели. Тесты показывают, что такой подход даёт более подробные и точные ответы, чем работа незаставленной модели, включая конкретные составы, температуры процессов и структурные детали.

От изображений микроструктуры к движению атомов

Фреймворк также переводит инструкции на естественном языке в полноценные компьютерные симуляции. В континуальных симуляциях система моделирует, как затвердевают металлические сплавы или как зерна в поликристалле растут при нагреве. Извлекая параметры, такие как размер сетки, вероятность роста и число ядер из слов пользователя, она может автоматически запускать инструменты, которые создают покадровые изображения развивающихся микроструктур. Для атомномасштабного поведения агент молекулярной динамики настраивает симуляции металлов, например алюминия, при выбранных температурах и условиях. Он конфигурирует кристаллические структуры, выбирает модели взаимодействия и проверяет, что энергия и температура ведут себя ожидаемо за тысячи временных шагов.

Придумывание правдоподобных кристаллических блоков

Иногда структура интересующего материала ещё недоступна в публичных базах данных. Чтобы работать с такими случаями, MatSciAgent включает агента по генерации кристаллов на базе специализированной языковой модели под названием CrystaLLM. Получив состав и описание симметрии, этот агент предлагает детальные кристаллические структуры в стандартном формате файлов, которые можно визуализировать или использовать напрямую в последующих симуляциях. Система также умеет связывать шаги между собой: например, сгенерировать кристаллическую структуру для никель‑алюминиевого соединения и затем в следующем запросе запустить атомную симуляцию именно этой структуры без необходимости заново перечислять все детали пользователю.

Проверка надёжности и возможности расширения

Поскольку научная работа зависит от доверия, авторы тщательно проверили, насколько последовательно ведёт себя MatSciAgent. Они многократно прогоняли одни и те же запросы и отслеживали, какие агенты и инструменты выбирались, какие параметры извлекались и какие результаты возвращались. Для поиска материалов, континуальных и атомных симуляций система почти всегда выбирала одни и те же рабочие процессы и параметры, с редкими сбоями и незначительными различиями в формулировках ответов. Дизайн модульный, поэтому со временем можно добавить новые базы данных, более продвинутые модели или дополнительные методы симуляции, расширяя диапазон задач по материалам, с которыми помощник справляется.

Почему это важно для будущих открытий в материаловедении

Проще говоря, эта работа демонстрирует, как AI на основе языка может выйти за рамки чата и выступать надёжным лабораторным помощником в материаловедении. Привязывая решения к проверенным данным и устоявшимся инструментам моделирования, MatSciAgent помогает исследователям перейти от вопроса к конкретным числам, структурами и визуализациям с гораздо меньшими затратами ручной настройки. Хотя он не заменяет экспертную оценку или глубокую физическую интуицию, его стабильная работа и гибкая архитектура позволяют предположить, что он может стать повседневным спутником учёных в поиске следующего поколения функциональных материалов.

Цитирование: 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

Ключевые слова: информатика материалов, большие языковые модели, научные агенты, молекулярная динамика, генерация кристаллических структур