GraphAgents: クロスドメイン材料設計のための知識グラフ誘導型エージェントAI

要旨

大規模言語モデル（LLM）は、拡大を続ける科学的知見を横断的に推論することで、発見の加速が期待されている。しかし、現在の課題は情報へのアクセス自体ではなく、意味のある分野横断的な方法で情報を結びつけることにある。分子化学から機械的特性にわたる概念の統合が革新に不可欠な材料科学において、この課題は特に深刻である。人間も単一エージェントのLLMも、この情報の奔流に完全に対処することはできず、後者はしばしば虚構（ハルシネーション）を生じやすい。このボトルネックに対処するため、我々は大規模知識グラフに導かれたマルチエージェントフレームワークを導入し、現在厳格な規制の対象となっているパーフルオロアルキル物質およびポリフルオロアルキル物質（PFAS）の持続可能な代替物質の発見を目指す。フレームワーク内のエージェントは、問題分解、証拠検索、設計パラメータ抽出、グラフ走査に特化し、異なる知識領域間の潜在的な関連性を発見して仮説生成を支援する。アブレーション研究により、完全なマルチエージェントパイプラインが単一ショットプロンプティングを上回る性能を示し、分散特化と関係推論の価値を裏付けた。グラフ走査戦略を調整することで、システムは、ドメインにとって重要な結果に焦点を当てた利用的探索と、新たな横断的関連性を浮き彫りにする探索的探索を交互に行うことを実証する。生体医療用チューブの事例を通して、本フレームワークが、摩擦特性、熱安定性、耐薬品性、生体適合性をバランスさせた持続可能なPFASフリーの代替案を生成することを示す。本研究は、知識グラフとマルチエージェント推論を組み合わせることで材料設計の空間を拡大するフレームワークを確立し、本アプローチを実証するいくつかの初期設計候補を提示する。

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.

GraphAgents: クロスドメイン材料設計のための知識グラフ誘導型エージェントAI

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

要旨

Support