Reasoning-Driven Design of Single Atom Catalysts via a Multi-Agent Large Language Model Framework

📄 arXiv: 2602.21533v1 📥 PDF

作者: Dong Hyeon Mok, Seoin Back, Victor Fung, Guoxiang Hu

分类: cond-mat.mtrl-sci, cs.LG

发布日期: 2026-02-25

💡 一句话要点

提出MAESTRO框架以发现高性能单原子催化剂

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

关键词: 单原子催化剂 大型语言模型 多智能体系统 材料发现 电催化 推理能力 上下文学习

📋 核心要点

  1. 现有方法在材料发现中依赖于传统机器学习，缺乏推理和上下文学习能力，限制了催化剂的发现效率。
  2. 论文提出的MAESTRO框架通过多智能体协作，利用LLMs的推理能力和上下文学习，自动化催化剂设计过程。
  3. 实验结果表明，MAESTRO成功发现了打破传统反应中间体比例关系的催化剂，展示了其在催化剂发现中的有效性。

📝 摘要（中文）

大型语言模型（LLMs）在超越自然语言处理的领域中展现出强大的能力，尤其是在复杂科学任务中。本文提出了一种基于多智能体的电催化剂搜索框架MAESTRO，该框架利用多个具有专门角色的LLMs协作发现用于氧还原反应的高性能单原子催化剂。在自主设计循环中，智能体通过迭代推理、提出修改、反思结果并积累设计历史，利用上下文学习识别出未在LLMs背景知识中明确编码的设计原则。MAESTRO成功发现了打破反应中间体之间传统比例关系的催化剂，展示了多智能体LLM框架在化学洞察和催化剂发现中的潜力。

🔬 方法详解

问题定义：本文旨在解决传统机器学习方法在催化剂发现中的局限性，特别是缺乏推理能力和上下文学习，导致催化剂设计效率低下。

核心思路：MAESTRO框架通过多智能体协作，利用多个LLMs的推理和学习能力，形成一个自主设计循环，提升催化剂的发现效率和创新性。

技术框架：MAESTRO框架包含多个智能体，每个智能体负责不同的任务，如推理、修改建议和结果反思。智能体通过迭代过程不断优化设计，形成完整的设计历史。

关键创新：MAESTRO的创新在于其多智能体协作机制和上下文学习能力，使得智能体能够识别出未在背景知识中明确编码的设计原则，突破传统催化剂设计的限制。

关键设计：框架中设置了多个智能体，每个智能体具有特定的角色和任务，通过迭代推理和反思机制，形成有效的设计反馈循环。

📊 实验亮点

MAESTRO框架成功发现了多种高性能单原子催化剂，打破了传统的反应中间体比例关系，展示了其在催化剂发现中的显著优势。实验结果表明，所发现的催化剂在性能上优于现有基线，具有更高的反应效率。

🎯 应用场景

该研究的潜在应用领域包括催化剂设计、材料科学和化学工程等。MAESTRO框架能够加速新材料的发现，推动清洁能源技术的发展，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large language models (LLMs) are becoming increasingly applied beyond natural language processing, demonstrating strong capabilities in complex scientific tasks that traditionally require human expertise. This progress has extended into materials discovery, where LLMs introduce a new paradigm by leveraging reasoning and in-context learning, capabilities absent from conventional machine learning approaches. Here, we present a Multi-Agent-based Electrocatalyst Search Through Reasoning and Optimization (MAESTRO) framework in which multiple LLMs with specialized roles collaboratively discover high-performance single atom catalysts for the oxygen reduction reaction. Within an autonomous design loop, agents iteratively reason, propose modifications, reflect on results and accumulate design history. Through in-context learning enabled by this iterative process, MAESTRO identified design principles not explicitly encoded in the LLMs' background knowledge and successfully discovered catalysts that break conventional scaling relations between reaction intermediates. These results highlight the potential of multi-agent LLM frameworks as a powerful strategy to generate chemical insight and discover promising catalysts.