用于高通量聚合物信息学的自主多智能体AI：从性质预测到合成与生物聚合物的生成式设计
软凝聚态物质
2026-02-03 v1 材料科学
人工智能
摘要
我们提出了一个用于聚合物发现的集成多智能体AI生态系统，该生态系统在统一的聚合物研究生命周期(PRL)流程中整合了高通量材料工作流、人工智能和计算建模。该系统协调由最先进的大语言模型(DeepSeek-V2和DeepSeek-Coder)驱动的专用智能体，以检索和推理科学资源、调用外部工具、执行领域特定代码，并进行元认知自我评估以实现稳健的端到端任务执行。我们展示了三种实际能力：一个高保真聚合物性质预测和生成式设计流程、一个用于生物聚合物结构表征的全自动多模态工作流，以及一个能够随时间监控性能并改进执行策略的元认知智能体框架。在一个包含1,251种聚合物的保留测试集上，我们的PolyGNN智能体取得了强大的预测精度，玻璃化转变温度(Tg)的R²达到0.89，拉伸强度的R²为0.82，伸长率的R²为0.75，密度的R²为0.91。该框架还通过多智能体共识提供不确定性估计，并以线性复杂度扩展到至少10,000种聚合物，从而以低计算成本实现高通量筛选。对于一个代表性工作负载，该系统在约2 GB内存和0.1 GPU小时下，于16.3秒内完成推理，估计成本约为0.08美元。在一个专门的Tg基准测试上，我们的方法达到了R²=0.78，优于强基线方法，包括单LLM预测(R²=0.67)、基团贡献法(R²=0.71)和ChemCrow(R²=0.66)。我们进一步在一个聚苯乙烯案例研究中展示了元认知控制，该系统不仅产生领域级别的科学输出，还通过战术性、战略性和元战略性自我评估持续监控和优化自身行为。
引用
@article{arxiv.2602.00103,
title = {Autonomous Multi-Agent AI for High-Throughput Polymer Informatics: From Property Prediction to Generative Design Across Synthetic and Bio-Polymers},
author = {Mahule Roy and Adib Bazgir and Arthur da Silva Sousa Santos and Yuwen Zhang},
journal= {arXiv preprint arXiv:2602.00103},
year = {2026}
}