GraphAgents: 基于知识图谱的智能代理AI用于跨领域材料设计

大型语言模型（LLMs）有望通过跨科学领域的推理加速发现过程。然而，当前挑战已不再是信息获取，而是如何以有意义的方式跨领域连接信息。在材料科学中，创新需要整合从分子化学到机械性能的概念，这一问题尤为突出。人类或单一智能体LLM难以应对这种信息洪流，后者常产生幻觉。为解决这一瓶颈，本文引入了一个由大规模知识图谱引导的多智能体框架，用于寻找替代全氟和多氟烷基物质（PFAS）的可持续方案。该框架中的智能体专门负责问题分解、证据检索、设计参数提取和图遍历，揭示不同知识模块间的潜在联系，支持假设生成。消融研究表明，完整的多智能体流程优于单次提示方法，突显分布式专业化和关系推理的价值。通过生物医学导管的示例，该框架生成了平衡摩擦学性能、热稳定性、化学抗性和生物相容性的可持续PFAS替代品。本研究建立了一个结合知识图谱与多智能体推理的框架，扩展了材料设计空间，并展示了若干初步设计候选方案。