面向多模态化学搜索的代理式混合工作流

广阔且复杂的材料设计空间需要创新策略来整合多学科科学知识并优化材料发现。虽然大型语言模型(LLMs)在各个领域已展示出有前景的推理和自动化能力，但其在材料科学中的应用仍受限于缺乏基准标准和实际实施框架。为解决这些挑战，我们引入Mixture-of-Workflows for Self-Corrective Retrieval-Augmented Generation (CRAG-MoW) -一种新颖范式，该范式通过编排多个代理工作流使用不同的CRAG策略。与先前方法不同，CRAG-MoW通过编排代理合成多样化输出，使我们能够对同一问题域内的多个LLM进行直接评估。我们在小分子、聚合物和化学反应，以及多模态核磁共振(NMR)谱检索上对CRAG-MoW进行基准测试。我们的结果表明，CRAG-MoW的性能相当于GPT-4o，但在比较评估中更受偏好，凸显了结构化检索和多代理综合的优势。通过揭示不同数据类型之间的性能差异，CRAG-MoW提供了一种可扩展、可解释且以基准为导向的方法，用于优化材料发现的AI架构。这些发现在解决LLMs和自主AI代理在科学应用中的根本性差距方面具有关键意义。