dZiner：基于 AI 代理的材料理性逆向设计
化学物理
2024-10-08 v1
摘要
尽管机器学习和人工智能取得了诸多突破，并得到动力来自科学数据，正在 revolutionizes 材料发现之际。尽管已有大量科学文献，但可轻松集成到数据驱动工作流程中的结构化实验数据和化学领域知识有限。将这些信息以及来自第一性原理计算和基于物理的深度学习代理模型的额外上下文整合的动机，是为了高效探索相关化学空间并预测新材料的结构-性质关系。最终，这一框架有望复制人类主观专家的专业知识。在本工作中，我们提出了 dZiner，一个由大型语言模型 (LLM) 提供动力的化学家 AI 代理，通过逆向设计（属性导向结构）发现具有所需性质的新型化合物。具体而言，该代理商利用来自基础科学文献的领域特定见解，提出具有增强化学性质的新材料，同时通过相关的代理模型进行迭代评估，以进行理性设计，并考虑设计约束。该模型支持闭环和人类在环反馈循环，实现了以实时属性推断、不确定性和化学可行性评估为核心的人类-AI 协作分子设计。我们通过应用于各种材料目标属性（包括表面活性剂、配体和药物候选物，以及金属有机框架）来展示了该代理商的灵活性。我们的方法有望加速新材料的发现，并实现对具有所需功能性质材料的精准设计。该方法作为开源软件在 https://github.com/mehradans92/dZiner 提供。
引用
@article{arxiv.2410.03963,
title = {dZiner: Rational Inverse Design of Materials with AI Agents},
author = {Mehrad Ansari and Jeffrey Watchorn and Carla E. Brown and Joseph S. Brown},
journal= {arXiv preprint arXiv:2410.03963},
year = {2024}
}