GraphAgents: Wissensgraphen-gesteuerte agentenbasierte KI für domänenübergreifendes Materialdesign

GraphAgents: Knowledge Graph-Guided Agentic AI for Cross-Domain Materials Design

February 7, 2026

papers.authors: Isabella A. Stewart, Tarjei Paule Hage, Yu-Chuan Hsu, Markus J. Buehler

cs.AI

papers.abstract

Große Sprachmodelle (LLMs) versprechen, Entdeckungen zu beschleunigen, indem sie über die sich ständig erweiternde wissenschaftliche Landschaft hinweg Schlüsse ziehen. Die Herausforderung besteht jedoch nicht mehr im Zugang zu Informationen, sondern darin, diese auf sinnvolle, domänenübergreifende Weise zu verknüpfen. In der Materialwissenschaft, wo Innovation die Integration von Konzepten von der molekularen Chemie bis zur mechanischen Performance erfordert, ist dies besonders ausgeprägt. Weder Menschen noch Einzel-Agenten-LLMs können dieser Informationsflut vollständig Herr werden, wobei Letztere oft zu Halluzinationen neigen. Um diesen Engpass zu adressieren, stellen wir einen Multi-Agenten-Framework vor, der durch umfangreiche Wissensgraphen geleitet wird, um nachhaltige Ersatzstoffe für per- und polyfluorierte Alkylsubstanzen (PFAS) zu finden – Chemikalien, die derzeit unter strenger regulatorischer Beobachtung stehen. Die Agenten im Framework spezialisieren sich auf Problemzerlegung, Evidenzrecherche, Extraktion von Designparametern und Graph-Traversierung, um verborgene Verbindungen zwischen verschiedenen Wissensbereichen aufzudecken und so die Hypothesengenerierung zu unterstützen. Ablationsstudien zeigen, dass die vollständige Multi-Agenten-Pipeline einzeiliges Prompting übertrifft, was den Wert von verteilter Spezialisierung und relationalem Schlussfolgern unterstreicht. Wir demonstrieren, dass das System durch die Anpassung von Graph-Traversierungsstrategien zwischen ausbeutenden Suchen, die sich auf domänenkritische Ergebnisse konzentrieren, und explorativen Suchen, die neuartige Querverbindungen aufdecken, wechseln kann. Am Beispiel von biomedizinischen Schläuchen generiert das Framework nachhaltige PFAS-freie Alternativen, die tribologische Performance, thermische Stabilität, Chemikalienbeständigkeit und Biokompatibilität in Einklang bringen. Diese Arbeit etabliert einen Framework, der Wissensgraphen mit Multi-Agenten-Systemen kombiniert, um den Materialdesignraum zu erweitern, und präsentiert mehrere erste Designkandidaten, um den Ansatz zu veranschaulichen.

English

Large Language Models (LLMs) promise to accelerate discovery by reasoning across the expanding scientific landscape. Yet, the challenge is no longer access to information but connecting it in meaningful, domain-spanning ways. In materials science, where innovation demands integrating concepts from molecular chemistry to mechanical performance, this is especially acute. Neither humans nor single-agent LLMs can fully contend with this torrent of information, with the latter often prone to hallucinations. To address this bottleneck, we introduce a multi-agent framework guided by large-scale knowledge graphs to find sustainable substitutes for per- and polyfluoroalkyl substances (PFAS)-chemicals currently under intense regulatory scrutiny. Agents in the framework specialize in problem decomposition, evidence retrieval, design parameter extraction, and graph traversal, uncovering latent connections across distinct knowledge pockets to support hypothesis generation. Ablation studies show that the full multi-agent pipeline outperforms single-shot prompting, underscoring the value of distributed specialization and relational reasoning. We demonstrate that by tailoring graph traversal strategies, the system alternates between exploitative searches focusing on domain-critical outcomes and exploratory searches surfacing emergent cross-connections. Illustrated through the exemplar of biomedical tubing, the framework generates sustainable PFAS-free alternatives that balance tribological performance, thermal stability, chemical resistance, and biocompatibility. This work establishes a framework combining knowledge graphs with multi-agent reasoning to expand the materials design space, showcasing several initial design candidates to demonstrate the approach.