Hierarchical Multi-agent Large Language Model Reasoning for Autonomous Functional Materials Discovery

📄 arXiv: 2512.13930v1 📥 PDF

作者: Samuel Rothfarb, Megan C. Davis, Ivana Matanovic, Baikun Li, Edward F. Holby, Wilton J. M. Kort-Kamp

分类: cond-mat.mtrl-sci, cs.AI, cs.CL, cs.LG, cs.MA

发布日期: 2025-12-15

备注: Keywords: Multi-agent reasoning; Large language models; Active learning; AI-driven simulation; Materials discovery; Density functional theory; Surface chemistry

💡 一句话要点

提出MASTER框架，利用多智能体LLM加速自主功能材料发现

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

关键词: 材料发现 大型语言模型 多智能体系统 密度泛函理论 主动学习

📋 核心要点

  1. 现有材料发现方法缺乏科学推理能力，限制了自主性，无法高效探索材料空间。
  2. MASTER框架利用多智能体大型语言模型进行分层推理，自主设计、执行和解释原子模拟。
  3. 实验表明，MASTER框架在材料发现中，相比传统方法可减少高达90%的原子模拟需求。

📝 摘要（中文）

人工智能正在重塑科学探索，但现有方法大多自动化程序性任务，缺乏科学推理，限制了发现的自主性。我们提出了材料模拟与电子结构推理智能体（MASTER），一个主动学习框架，其中大型语言模型自主设计、执行和解释原子模拟。在MASTER中，多模态系统将自然语言转化为密度泛函理论工作流程，而更高层次的推理智能体通过层级策略指导发现，包括单智能体基线和三种多智能体方法：同行评审、分流排序和分流表单。在两个化学应用中，CO在Cu表面过渡金属（M）吸附原子和M-N-C催化剂上的吸附，相对于试错选择，推理驱动的探索减少了高达90%的原子模拟需求。推理轨迹揭示了化学基础的决策，这些决策无法用随机抽样或语义偏差来解释。总而言之，多智能体协作加速了材料发现，标志着自主科学探索的新范式。

🔬 方法详解

问题定义：当前材料发现过程依赖大量试错实验，计算成本高昂且效率低下。现有的自动化方法主要集中在程序性任务的自动化，缺乏对材料性质和相互作用的深入理解和推理能力，导致探索效率受限。因此，如何赋予AI系统自主推理能力，从而更高效地进行材料发现是亟待解决的问题。

核心思路：MASTER框架的核心在于利用大型语言模型（LLM）的推理能力，结合多智能体协作机制，模拟科学家进行材料研究的过程。通过将材料发现任务分解为多个子任务，并分配给不同的智能体，每个智能体负责特定的推理和决策环节，从而实现更高效、更智能的材料探索。这种方法旨在超越传统的试错法，通过智能推理指导模拟和实验，减少不必要的计算资源消耗。

技术框架：MASTER框架包含以下几个主要模块：1) 多模态系统：将自然语言描述转化为密度泛函理论（DFT）工作流程，实现人机交互；2) 单智能体基线：作为性能基准；3) 多智能体方法：包括同行评审（Peer Review）、分流排序（Triage-Ranking）和分流表单（Triage-Forms）三种策略，用于指导材料发现过程。这些智能体通过分层策略进行协作，高层智能体负责制定整体策略，底层智能体负责执行具体的模拟和分析任务。整个框架采用主动学习的方式，根据已有的模拟结果不断优化探索策略。

关键创新：MASTER框架的关键创新在于：1) 将大型语言模型应用于材料发现领域，赋予AI系统科学推理能力；2) 提出多智能体协作机制，模拟科学家团队进行研究的过程，提高探索效率；3) 通过推理轨迹揭示化学基础的决策，证明了该方法并非简单的随机抽样或语义偏差。

关键设计：在多智能体协作方面，论文设计了三种不同的策略：同行评审（多个智能体独立评估候选材料，并进行投票）、分流排序（智能体对候选材料进行排序，优先模拟排名靠前的材料）和分流表单（智能体填写结构化表单，对材料的各个方面进行评估）。这些策略旨在模拟不同的科研协作模式，并探索哪种模式最适合材料发现任务。具体的参数设置和网络结构等技术细节在论文中没有详细描述，属于未知信息。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，MASTER框架在CO吸附于Cu表面过渡金属原子和M-N-C催化剂两种化学应用中，相对于试错选择，可减少高达90%的原子模拟需求。推理轨迹分析表明，MASTER框架能够做出具有化学意义的决策，而非简单的随机抽样或语义偏差。

🎯 应用场景

该研究成果可广泛应用于新材料的发现与设计，例如催化剂、电池材料、半导体材料等。通过减少实验和模拟次数，降低研发成本，加速新材料的开发周期。未来，该框架有望扩展到其他科学领域，例如药物发现、生物工程等，推动科学研究的自动化和智能化。

📄 摘要（原文）

Artificial intelligence is reshaping scientific exploration, but most methods automate procedural tasks without engaging in scientific reasoning, limiting autonomy in discovery. We introduce Materials Agents for Simulation and Theory in Electronic-structure Reasoning (MASTER), an active learning framework where large language models autonomously design, execute, and interpret atomistic simulations. In MASTER, a multimodal system translates natural language into density functional theory workflows, while higher-level reasoning agents guide discovery through a hierarchy of strategies, including a single agent baseline and three multi-agent approaches: peer review, triage-ranking, and triage-forms. Across two chemical applications, CO adsorption on Cu-surface transition metal (M) adatoms and on M-N-C catalysts, reasoning-driven exploration reduces required atomistic simulations by up to 90% relative to trial-and-error selection. Reasoning trajectories reveal chemically grounded decisions that cannot be explained by stochastic sampling or semantic bias. Altogether, multi-agent collaboration accelerates materials discovery and marks a new paradigm for autonomous scientific exploration.