GraphAgents: Intelligenza Artificiale Agente Guidata da Grafi della Conoscenza per la Progettazione di Materiali Multidominio

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

February 7, 2026

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

cs.AI

Abstract

I modelli linguistici di grandi dimensioni (LLM) promettono di accelerare la scoperta scientifica ragionando attraverso il panorama scientifico in continua espansione. Tuttavia, la sfida non è più l'accesso all'informazione, ma il collegarla in modi significativi e trasversali ai domini. Nella scienza dei materiali, dove l'innovazione richiede l'integrazione di concetti che spaziano dalla chimica molecolare alle prestazioni meccaniche, questa sfida è particolarmente pressante. Né gli esseri umani né gli LLM ad agente singolo possono affrontare appieno questo torrente di informazioni, con i secondi spesso inclini ad allucinazioni. Per affrontare questo collo di bottiglia, introduciamo un framework multi-agente guidato da grafi della conoscenza su larga scala per trovare sostituti sostenibili per le sostanze per- e polifluoroalchiliche (PFAS), composti attualmente sotto intenso scrutinio normativo. Gli agenti nel framework sono specializzati nella scomposizione dei problemi, nel recupero delle evidenze, nell'estrazione dei parametri di progettazione e nell'attraversamento del grafo, scoprendo connessioni latenti tra diversi ambiti conoscitivi per supportare la generazione di ipotesi. Studi di ablazione mostrano che la pipeline multi-agente completa supera il prompting in singolo passaggio, sottolineando il valore della specializzazione distribuita e del ragionamento relazionale. Dimostriamo che, adattando le strategie di attraversamento del grafo, il sistema alterna tra ricerche di sfruttamento focalizzate su risultati critici per il dominio e ricerche esplorative che fanno emergere connessioni trasversali. Illustrato attraverso l'esempio dei tubi biomedicali, il framework genera alternative sostenibili prive di PFAS che bilanciano prestazioni tribologiche, stabilità termica, resistenza chimica e biocompatibilità. Questo lavoro stabilisce un framework che combina grafi della conoscenza con il ragionamento multi-agente per espandere lo spazio di progettazione dei materiali, mostrando diversi candidati progettuali iniziali per dimostrare l'approccio.

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.