基于多智能体大语言模型框架的单原子催化剂设计
微分几何
2026-02-26 v1 数学物理
math.MP
摘要
大语言模型（LLM）正在广泛应用于自然语言处理之外，展现出处理复杂科学任务的强大能力，这类任务传统上需要人类专业知识。这种进步推动了材料发现的范式转变，LLM通过推理和情境学习引入了这种能力，而常规机器学习方法所不具备。本文提出了基于多智能体的电子催化剂搜索框架，称为MAESTRO（Multi-Agent-based Electrocatalyst Search Through Reasoning and Optimization），通过多个具有专门角色的LLM协同发现高性能单原子催化剂，用于氧化还原反应。在自主设计循环中，代理不断推理、提出修改、反思结果并积累设计历史。通过这种迭代过程实现的情境学习，MAESTRO识别出了未显式编码在LLM背景知识中的设计原则，并成功发现打破反应中间体常规比例关系的催化剂。这些结果凸显了多智能体LLM框架作为生成化学洞见和发现有前景催化剂的强大策略。
引用
@article{arxiv.2602.21532,
title = {Generalized Frobenius Manifold Structures on the Orbit Spaces of Affine Weyl Groups II},
author = {Lingrui Jiang and Si-qi Liu and Yingchao Tian and Youjin Zhang},
journal= {arXiv preprint arXiv:2602.21532},
year = {2026}
}