GraphAgents: Kennisgrafiek-Gestuurde Agentgebaseerde Kunstmatige Intelligentie voor Domeinoverstijgend Materiaalontwerp

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

February 7, 2026

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

cs.AI

Samenvatting

Grote Taalmodellen (LLM's) beloven de ontdekking te versnellen door te redeneren over het zich uitbreidende wetenschappelijke landschap. De uitdaging is echter niet langer de toegang tot informatie, maar het op zinvolle, domeinoverschrijdende manieren verbinden ervan. In de materiaalkunde, waar innovatie de integratie van concepten vereist, van moleculaire chemie tot mechanische prestaties, is dit bijzonder acuut. Noch mensen, noch single-agent LLM's kunnen volledig het hoofd bieden aan deze stortvloed aan informatie, waarbij de laatste vaak vatbaar is voor hallucinaties. Om dit knelpunt aan te pakken, introduceren we een multi-agent raamwerk geleid door grootschalige kennisgrafen om duurzame vervangers te vinden voor per- en polyfluoralkylstoffen (PFAS) - chemicaliën die momenteel onder intense regelgevende scrutiny staan. Agenten in het raamwerk specialiseren zich in probleemdecompositie, bewijsretrieval, extractie van ontwerpparameters en grafdoorlopen, waarbij latente verbindingen tussen verschillende kennisbronnen worden blootgelegd om hypothesegeneratie te ondersteunen. Ablatiestudies tonen aan dat de volledige multi-agent pijplijn superieur presteert aan single-shot prompting, wat de waarde van gedistribueerde specialisatie en relationeel redeneren onderstreept. We demonstreren dat door het aanpassen van grafdoorloopstrategieën, het systeem afwisselt tussen exploiterende zoekopdrachten die focussen op domeinkritieke resultaten en explorerende zoekopdrachten die opkomende kruisverbindingen aan het licht brengen. Geïllustreerd aan de hand van het voorbeeld van biomedische slangen, genereert het raamwerk duurzame PFAS-vrije alternatieven die tribologische prestaties, thermische stabiliteit, chemische bestendigheid en biocompatibiliteit in balans brengen. Dit werk vestigt een raamwerk dat kennisgrafen combineert met multi-agent redeneren om de materiaalontwerpruimte te vergroten, en toont verschillende initiële ontwerpkandidaten om de aanpak te demonstreren.

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.