Sep, 2024

SciAgents：通过多智能体智能图推理自动化科学发现

HTML
PDF
TL;DR本文解决了人工智能在自主推进科学理解方面的挑战，提出了SciAgents这一新方法，使用大型本体知识图谱和多智能体系统。研究发现，该框架能够揭示生物材料领域中隐藏的跨学科关系，超越传统人驱动研究方法的规模和精度，为材料发现和先进材料的发展开辟了新渠道。
发现论文，激发创造
  • 推动人工智能和人类共同创造，加速材料发现

    通过机器学习和AI技术，提出了一个支持领域和流程知识管理，结合人工智能协作的工作台框架，以减少时间和机会成本的目的，实现化学空间探索的新型功能材料的发现。

    Nov, 2022

  • DARWIN 系列：自然科学领域专用大型语言模型

    使用开源的LLM构建DARWIN系列，利用人工智能实现自动化实验，自动生成科学指令，为自然科学领域带来新的能力和加速和丰富的发现过程，并在多个科学任务上取得前沿成果。

    Aug, 2023

  • MechGPT：连接跨尺度、学科和模态知识的基于语言的力学和材料建模战略

    通过精细调整的大型语言模型 (LLM)，本研究探索了多尺度材料失效知识的提取、各种语言任务执行、假设生成和跨领域知识联系的能力。同时通过本体知识图结构，该模型能提供解释性洞察、新研究问题的框架，以及知识的可视化呈现，并且可用于检索增强生成。

    Oct, 2023

  • 基于生成检索增强的本体图和多智能体策略的解释性大型语言模型材料设计

    使用Transformer神经网络和大型语言模型进行材料分析、知识生成和力场开发的研究。

    Oct, 2023

  • 基于代理的从科学文献中学习材料数据集

    通过使用大型语言模型（LLMs）创建化学家 AI 代理程序，本研究克服了通过自动创建从自然语言文本中提取结构化数据集所面临的质量和一致性问题、可扩展性限制、以及人为错误和偏见的风险，进而简化了各种材料发现应用的机器学习数据集的编制，以及对自然语言处理工具的易用性提升。

    Dec, 2023

  • 利用生成式知识提取、基于图的表示和多模态智能图推理加速科学发现

    使用生成人工智能（AI）将1000篇生物材料领域的科学论文转化为详细的本体知识图，揭示了其固有的无标度特性。通过基于组合排名节点相似性和介数中心性的不同概念之间的图遍历路径检测，我们揭示了深入洞察力，揭示了前所未有的跨学科关系，可用于回答查询，识别知识空缺，并提出前所未见的材料设计及其行为。

    Mar, 2024

  • LLMatDesign：基于大型语言模型的自主材料发现

    LLMatDesign是一个基于大型语言模型的可解释材料设计框架，通过使用LLM代理来翻译人类指令、修改材料并使用提供的工具评估结果，以零样本的方式适应新任务和条件，通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性，展示了在计算环境中基于自主LLM引导的材料发现对于未来的自动化实验室的显著潜力。

    Jun, 2024

  • AtomAgents: 通过物理感知的多模态多代理人人工智能实现合金设计与发现

    通过协同异构的多智能体系统，AtomAgents平台提供了一个综合的、面向物理模拟结果的理解和预测框架，用于解决复杂多目标设计任务，包括合金设计和材料改性领域的应用。

    Jul, 2024

  • 利用化学基础模型促进在多智能体工作流中针对结构的检索增强生成，以支持催化剂和材料设计

    本研究解决了在材料设计任务中，现有代理系统在重要信息检索方面的不足。我们提出利用大型预训练化学基础模型，通过跨模式检索增强生成，促进任务特定材料设计的策略。研究表明，结合图像模型，这些系统能够实现前所未有的信息检索，具有重要的应用潜力。

    Aug, 2024

  • HoneyComb：基于灵活的LLM的材料科学代理系统

    本研究针对传统大型语言模型在材料科学任务中的局限性，提出了HoneyComb，一个专门为材料科学设计的LLM代理系统。通过结合高质量的材料科学知识库（MatSciKB）和先进的工具中心（ToolHub），HoneyComb能显著提高材料科学任务的推理和计算能力，并在多个任务中显著超越基线模型，展现出其在推动科学研究和应用中的广泛潜力。

    Aug, 2024