Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows

📄 arXiv: 2605.14527v1 📥 PDF

作者: Wenwen Li, Yuki Orimo, Nontawat Charoenphakdee

分类: cs.LG, cond-mat.mtrl-sci, physics.comp-ph

发布日期: 2026-05-14

备注: 31 pages, 12 figures

💡 一句话要点

Lang2MLIP：利用自主Agent工作流实现端到端语言驱动的机器学习原子间势开发

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

关键词: 机器学习原子间势 多Agent系统 大型语言模型 自主学习 材料模拟

📋 核心要点

  1. 现有MLIP开发流程依赖专家知识和固定流程，难以适应复杂异构材料体系。
  2. Lang2MLIP将MLIP开发视为序列决策问题，利用LLM驱动多Agent自主选择行动改进模型。
  3. 在SEI系统上的实验表明，该方法能有效自动化MLIP开发，降低非专家使用门槛。

📝 摘要（中文）

开发用于复杂材料系统的机器学习原子间势（MLIPs）仍然具有挑战性，因为它需要原子模拟、机器学习和工作流设计方面的专业知识，以及迭代的主动学习程序。现有的自动化流程通常假定一个固定的阶段序列或依赖于领域专家，这限制了它们对异构材料系统的适应性，因为异构材料系统的最佳课程是事先未知的。为了降低非专家开发MLIPs的门槛，我们提出了Lang2MLIP，这是一个多Agent框架，它接受自然语言输入，并将端到端MLIP开发构建为由大型语言模型（LLMs）解决的顺序决策问题。在每个步骤中，决策Agent观察当前的数据集、模型、评估结果和执行日志，然后自动选择适当的动作来改进模型。这消除了对预定义流程的需求，并使Agent能够通过重新访问早期的子系统来纠正自身，从而应对新出现的故障。我们在具有多个组件和界面的固体电解质界面（SEI）系统上评估了这种方法。结果表明，基于LLM的多Agent系统是自动化MLIP开发并使其更容易被非专家访问的一个有希望的方向。

🔬 方法详解

问题定义：现有的机器学习原子间势（MLIP）开发流程复杂，需要原子模拟、机器学习和工作流设计等多领域专家知识。自动化流程通常依赖预定义的固定步骤，缺乏对不同材料体系的适应性，尤其是在面对成分复杂、界面多样的异构材料时，难以确定最佳的学习策略。这使得非专业人士难以进行MLIP开发。

核心思路：Lang2MLIP的核心思想是将MLIP的开发过程建模为一个序列决策问题，并利用大型语言模型（LLM）驱动的多Agent系统来解决。每个Agent负责观察当前的模型状态、数据集、评估结果和执行日志，并自主选择下一步的行动，例如数据收集、模型训练、参数调整等。通过这种方式，系统可以根据实际情况动态调整开发策略，无需预先定义固定的流程。

技术框架：Lang2MLIP框架包含多个Agent，每个Agent负责不同的任务，例如数据探索、模型训练、模型评估等。核心的决策Agent基于LLM，负责根据当前状态选择合适的行动。框架的整体流程如下：1) 接收自然语言形式的用户输入，描述目标材料体系和所需性质；2) 初始化数据集和模型；3) 决策Agent观察当前状态，选择下一步行动；4) 执行选定的行动，更新数据集、模型和执行日志；5) 重复步骤3和4，直到满足停止条件（例如达到预定的性能指标或时间限制）。

关键创新：Lang2MLIP的关键创新在于利用LLM驱动的多Agent系统实现了MLIP开发的自主化。与传统的固定流程方法相比，Lang2MLIP能够根据实际情况动态调整开发策略，更好地适应复杂材料体系。此外，Lang2MLIP接受自然语言输入，降低了非专业人士的使用门槛。

关键设计：Lang2MLIP的关键设计包括：1) 使用LLM作为决策Agent，利用其强大的语言理解和推理能力；2) 设计了合适的奖励函数，引导Agent选择能够有效改进模型的行动；3) 采用了迭代的主动学习策略，不断收集新的数据来提高模型的泛化能力。具体的LLM选择和训练细节、奖励函数的设计以及主动学习策略的选择等，可能会根据具体的应用场景进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在固体电解质界面（SEI）系统上验证了Lang2MLIP的有效性。SEI系统具有多组分和多界面的复杂结构，对MLIP的开发提出了很高的要求。实验结果表明，Lang2MLIP能够自动开发出性能良好的MLIP，并显著降低了开发所需的人工干预。具体的性能数据和对比基线在论文中进行了详细描述。

🎯 应用场景

Lang2MLIP可应用于各种材料科学领域，例如新能源材料（电池、燃料电池）、催化材料、结构材料等。通过降低MLIP开发的门槛，Lang2MLIP可以加速新材料的发现和设计，并促进材料科学研究的自动化和智能化。该方法有望推动材料模拟技术在工业界的广泛应用，例如材料性能预测、工艺优化等。

📄 摘要（原文）

Developing machine learning interatomic potentials (MLIPs) for complex materials systems remains challenging because it requires expertise in atomistic simulations, machine learning, and workflow design, as well as iterative active learning procedures. Existing automated pipelines typically assume a fixed sequence of stages or depend on domain experts, which limits their adaptability to heterogeneous materials systems where the optimal curriculum is not known in advance. To lower the barrier to developing MLIPs for non-experts, we propose Lang2MLIP, a multi-agent framework that takes natural-language input and formulates end-to-end MLIP development as a sequential decision-making problem solved by large language models (LLMs). At each step, a decision-making agent observes the current dataset, model, evaluation results, and execution log, and then automatically selects an appropriate action to improve the model. This removes the need for a predefined pipeline and enables the agent to self-correct by revisiting earlier subsystems when new failures arise. We evaluate this approach on a solid electrolyte interphase (SEI) system with multiple components and interfaces. These results suggest that LLM-based multi-agent systems are a promising direction for automating MLIP development and making it more accessible to non-experts.