利用化学基础模型促进基于多智能体工作流程中以结构为导向的检索增强生成
人工智能
2024-12-16 v2
摘要
分子性质预测与基于深度学习的生成式设计一直是加速新型高性能材料开发的热门研究方向。近期，大语言模型（LLM）和具备自主智能体能力的系统显著提升了这些工作流程的应用前景。尽管效果显著，但在智能体系统中检索材料设计任务所需关键信息方面仍有提升空间。将预测深度学习模型的另类用途——利用其潜在表示来促进智能体系统中针对特定材料设计任务的跨模态检索增强生成，尚未被探索。本文表明，大规模预训练化学基础模型可作为实现小分子、复杂聚合物及反应物结构导向语义化学信息检索的基础。我们还展示了化学基础模型与 OpenCLIP 等多模态模型结合，实现对多种表征数据域的前所未有的查询与检索。最后，我们演示了将这些模型集成至多智能体系统中，以实现针对不同研究任务的结构与拓扑导向的自然语言查询与信息检索。
引用
@article{arxiv.2408.11793,
title = {Leveraging Chemistry Foundation Models to Facilitate Structure Focused Retrieval Augmented Generation in Multi-Agent Workflows for Catalyst and Materials Design},
author = {Nathaniel H. Park and Tiffany J. Callahan and James L. Hedrick and Tim Erdmann and Sara Capponi},
journal= {arXiv preprint arXiv:2408.11793},
year = {2024}
}