GraphAgents : Intelligence Artificielle Agentielle Guidée par les Graphes de Connaissances pour la Conception de Matériaux Interdomaines

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

Les modèles de langage de grande taille (LLM) promettent d'accélérer les découvertes en raisonnant à travers le paysage scientifique en expansion. Pourtant, le défi n'est plus l'accès à l'information, mais la capacité à lier celle-ci de manière significative et transdisciplinaire. Dans le domaine de la science des matériaux, où l'innovation exige l'intégration de concepts allant de la chimie moléculaire à la performance mécanique, ce défi est particulièrement aigu. Ni les humains ni les LLM à agent unique ne peuvent pleinement faire face à ce torrent d'informations, ces derniers étant souvent sujets aux hallucinations. Pour résoudre ce goulot d'étranglement, nous présentons un cadre multi-agents guidé par des graphes de connaissances à grande échelle afin de trouver des substituts durables aux substances per- et polyfluoroalkylées (PFAS) - des produits chimiques actuellement sous étroite surveillance réglementaire. Les agents du cadre se spécialisent dans la décomposition des problèmes, la récupération de preuves, l'extraction des paramètres de conception et le parcours de graphes, révélant des connexions latentes entre différentes poches de connaissances pour soutenir la génération d'hypothèses. Des études d'ablation montrent que le pipeline multi-agents complet surpasse l'invite unique, soulignant la valeur de la spécialisation distribuée et du raisonnement relationnel. Nous démontrons qu'en adaptant les stratégies de parcours de graphes, le système alterne entre des recherches exploitantes axées sur des résultats critiques pour le domaine et des recherches exploratoires faisant émerger des interconnexions. Illustré par l'exemple des tubulures biomédicales, le cadre génère des alternatives durables sans PFAS qui équilibrent performance tribologique, stabilité thermique, résistance chimique et biocompatibilité. Ce travail établit un cadre combinant les graphes de connaissances au raisonnement multi-agents pour élargir l'espace de conception des matériaux, en présentant plusieurs candidats initiaux pour démontrer l'approche.

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.