GraphAgents: Inteligencia Artificial Agéntica Guiada por Grafos de Conocimiento para el Diseño de Materiales Multidominio

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

February 7, 2026

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

cs.AI

Resumen

Los Modelos de Lenguaje Grandes (LLM) prometen acelerar el descubrimiento mediante el razonamiento a través del panorama científico en expansión. Sin embargo, el desafío ya no es el acceso a la información, sino conectarla de manera significativa y que trascienda dominios. En la ciencia de materiales, donde la innovación exige integrar conceptos desde la química molecular hasta el rendimiento mecánico, esto es especialmente agudo. Ni los humanos ni los LLM de agente único pueden contender completamente con este torrente de información, siendo estos últimos a menudo propensos a alucinaciones. Para abordar este cuello de botella, presentamos un marco de multiagente guiado por grafos de conocimiento a gran escala para encontrar sustitutos sostenibles de las sustancias perfluoroalquiladas y polifluoroalquiladas (PFAS), productos químicos actualmente bajo intenso escrutinio regulatorio. Los agentes en el marco se especializan en la descomposición de problemas, la recuperación de evidencia, la extracción de parámetros de diseño y el recorrido de grafos, descubriendo conexiones latentes entre distintos focos de conocimiento para apoyar la generación de hipótesis. Los estudios de ablación muestran que la canalización completa de multiagente supera al prompting de una sola vez, subrayando el valor de la especialización distribuida y el razonamiento relacional. Demostramos que, al adaptar las estrategias de recorrido de grafos, el sistema alterna entre búsquedas explotadoras centradas en resultados críticos para el dominio y búsquedas exploratorias que sacan a la luz interconexiones emergentes. Ilustrado a través del ejemplo de los tubos biomédicos, el marco genera alternativas sostenibles libres de PFAS que equilibran el rendimiento tribológico, la estabilidad térmica, la resistencia química y la biocompatibilidad. Este trabajo establece un marco que combina grafos de conocimiento con razonamiento multiagente para expandir el espacio de diseño de materiales, mostrando varios candidatos de diseño iniciales para demostrar el enfoque.

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.