GraphAgents: 크로스도메인 소재 설계를 위한 지식 그래프 기반 에이전트 AI

초록

대규모 언어 모델(LLM)은 확장되는 과학 지형을 가로지르는 추론을 통해 발견을 가속화할 것을 약속합니다. 그러나 현재의 과제는 더 이상 정보에 대한 접근이 아니라, 의미 있는 방식으로 다양한 영역을 아우르는 연결에 있습니다. 분자 화학에서 기계적 성능에 이르기까지 개념 통합을 요구하는 재료 과학에서 이 문제는 특히 심각합니다. 인간이나 단일 에이전트 LLM 모두 이러한 정보의 홍수를 완전히 감당할 수 없으며, 후자는 종종 환각(hallucination)에 취약합니다. 이러한 병목 현상을 해결하기 위해 우리는 대규모 지식 그래프에 기반한 다중 에이전트 프레임워크를 도입하여 현재 규제 기관의 집중적인 조사를 받고 있는 과불화알킬물질(PFAS) 대체 지속가능 물질을 찾습니다. 프레임워크 내 에이전트들은 문제 분해, 증거 검색, 설계 매개변수 추출, 그래프 탐색에 특화되어 있으며, 서로 다른 지식 영역 간의 잠재적 연결 관계를 발견하여 가설 생성을 지원합니다. 제거 연구(ablation study) 결과, 전체 다중 에이전트 파이프라인이 단일 프롬프팅보다 성능이 뛰어나며, 이는 분산된 특화와 관계적 추론의 가치를 강조합니다. 우리는 그래프 탐색 전략을 조정함으로써 시스템이 영역-중요 결과에 초점을 맞춘 탐색적 탐사와 새로운 교차 연결을 발견하는 탐험적 탐사 사이를 전환함을 보여줍니다. 생의학용 튜빙 사례를 통해 이 프레임워크는 마찰학적 성능, 열안정성, 내화학성, 생체적합성을 균형 있게 갖춘 지속가능한 PFAS-free 대체물질을 생성합니다. 본 연구는 지식 그래프와 다중 에이전트 추론을 결합하여 재료 설계 공간을 확장하는 프레임워크를 정립하며, 해당 접근법을 입증하는 몇 가지 초기 설계 후보를 제시합니다.

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: 크로스도메인 소재 설계를 위한 지식 그래프 기반 에이전트 AI

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

초록

Support