AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org

📄 arXiv: 2512.11935v1 📥 PDF

作者: Jaehyung Lee, Justin Ely, Kent Zhang, Akshaya Ajith, Charles Rhys Campbell, Kamal Choudhary

分类: cs.AI, cond-mat.mtrl-sci

发布日期: 2025-12-12

🔗 代码/项目: GITHUB

💡 一句话要点

AGAPI-Agents：AtomGPT.org上用于加速材料设计的开放式Agentic AI平台

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 材料设计 人工智能平台 Agentic AI 大型语言模型 开源工具

📋 核心要点

  1. 材料研究受限于计算生态碎片化、可重复性差以及对商业LLM的依赖，阻碍了AI的有效应用。
  2. AGAPI平台通过集成开源LLM和材料科学API，采用Agent-Planner-Executor-Summarizer架构，实现自主工作流。
  3. 实验证明AGAPI能够完成复杂的材料设计任务，例如异质结构构建和缺陷工程，并与实验数据对比验证。

📝 摘要（中文）

人工智能正在重塑科学发现，但其在材料研究中的应用仍受到碎片化的计算生态系统、可重复性挑战以及对商业大型语言模型（LLMs）的依赖的限制。本文介绍了AGAPI（AtomGPT.org API），这是一个开放式agentic AI平台，它集成了八个以上的开源LLM和二十多个材料科学API端点，通过一个通用的编排框架统一了数据库、模拟工具和机器学习模型。AGAPI采用Agent-Planner-Executor-Summarizer架构，自主构建和执行多步骤工作流程，涵盖材料数据检索、图神经网络属性预测、机器学习力场优化、紧束缚计算、衍射分析和逆向设计。我们通过端到端的工作流程展示了AGAPI，包括异质结构构建、粉末X射线衍射分析和半导体缺陷工程，这些流程需要多达十个连续操作。此外，我们使用30多个示例提示作为测试用例评估AGAPI，并将有/无工具访问的agentic预测与实验数据进行比较。AGAPI拥有1000多名活跃用户，为可重复的、AI加速的材料发现提供了可扩展和透明的基础。AGAPI-Agents代码库可在https://github.com/atomgptlab/agapi上找到。

🔬 方法详解

问题定义：现有材料研究中，人工智能的应用面临诸多挑战，包括计算资源的碎片化，实验结果的可重复性问题，以及对商业大型语言模型的过度依赖。这些问题阻碍了AI在材料设计领域的广泛应用和创新。

核心思路：AGAPI的核心思路是构建一个开放、集成的agentic AI平台，通过统一的框架整合多种开源LLM和材料科学工具，实现材料设计流程的自动化和智能化。这种设计旨在降低AI在材料研究中的使用门槛，并提高研究效率和可重复性。

技术框架：AGAPI平台采用Agent-Planner-Executor-Summarizer架构。Agent负责接收用户指令；Planner根据指令规划多步骤工作流程；Executor执行工作流程中的各个步骤，调用相应的API端点；Summarizer总结执行结果并反馈给用户。平台集成了多个开源LLM和二十多个材料科学API端点，涵盖数据库、模拟工具和机器学习模型。

关键创新：AGAPI的关键创新在于其agentic AI架构和开放性。通过agentic架构，平台能够自主地规划和执行复杂的材料设计流程，无需人工干预。开放性则体现在对开源LLM和API的支持，以及代码库的开源，这使得AGAPI能够被广泛使用和定制。

关键设计：AGAPI的关键设计包括API的统一接口、Agent的规划策略和Executor的执行机制。API的统一接口使得不同的材料科学工具能够无缝集成。Agent的规划策略决定了工作流程的效率和准确性。Executor的执行机制保证了工作流程的可靠性和可重复性。论文中没有明确提及具体的参数设置、损失函数或网络结构等技术细节，这些可能与集成的具体LLM和API有关。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过端到端的工作流程展示了AGAPI的能力，包括异质结构构建、粉末X射线衍射分析和半导体缺陷工程等复杂任务，这些任务需要多达十个连续操作。此外，研究者使用30多个示例提示作为测试用例评估AGAPI，并将有/无工具访问的agentic预测与实验数据进行比较，验证了AGAPI的有效性。

🎯 应用场景

AGAPI平台可应用于新材料的发现与设计、材料性能预测、材料缺陷分析、以及材料制造工艺优化等领域。通过自动化和智能化的材料设计流程，AGAPI能够加速材料研发周期，降低研发成本，并为材料科学研究提供新的思路和方法。该平台有望推动材料科学领域的创新发展。

📄 摘要（原文）

Artificial intelligence is reshaping scientific discovery, yet its use in materials research remains limited by fragmented computational ecosystems, reproducibility challenges, and dependence on commercial large language models (LLMs). Here we introduce AGAPI (AtomGPT.org API), an open-access agentic AI platform that integrates more than eight open-source LLMs with over twenty materials-science API endpoints, unifying databases, simulation tools, and machine-learning models through a common orchestration framework. AGAPI employs an Agent-Planner-Executor-Summarizer architecture that autonomously constructs and executes multi-step workflows spanning materials data retrieval, graph neural network property prediction, machine-learning force-field optimization, tight-binding calculations, diffraction analysis, and inverse design. We demonstrate AGAPI through end-to-end workflows, including heterostructure construction, powder X-ray diffraction analysis, and semiconductor defect engineering requiring up to ten sequential operations. In addition, we evaluate AGAPI using 30+ example prompts as test cases and compare agentic predictions with and without tool access against experimental data. With more than 1,000 active users, AGAPI provides a scalable and transparent foundation for reproducible, AI-accelerated materials discovery. AGAPI-Agents codebase is available at https://github.com/atomgptlab/agapi.