基于图神经网络驱动的 LLM 多智能体系统的快速自动化合金设计

本文提出一种多智能体 AI 模型用于自动发现新型金属合金，将多模态数据与外部知识（包括来自原子尺度仿真的物理洞见）相集成。我们的多智能体系统包含三个关键组件：(a) 负责推理与规划等任务的一组大语言模型 (LLM)，(b) 具有不同角色和专长的 AI 智能体群体，能够动态协作，以及 (c) 一个新开发的图神经网络 (GNN) 模型，用于快速检索关键物理属性。LLM 驱动的 AI 智能体协作，自动探索 MPEAs 的广阔设计空间，由 GNN 的预测所指引。我们聚焦于以体心立方 (bcc) 结构的 NbMoTa 合金系列，使用基于机器学习的原子势进行建模，目标属性为屈从垛和溶质/螺旋位错相互作用能。我们的 GNN 模型准确预测这些原子尺度属性，为低成本的粗暴计算提供了更快的替代方案，减轻了多智能体系统进行物理检索时的计算负担。该 AI 系统通过融合 GNN 的预测能力与 LLM 基础智能体的动态协作，实现了对庞大合金设计空间的自主导航，识别原子尺度材料属性趋势并预测宏观机械强度。我们展示了多个计算实验的结果，表明该方法加速了先进合金的发现，并为其他复杂系统的更广泛应用指明了前景，标志着自动化材料设计的重要进步。