GraphAgents: IA Agente Orientada por Grafos de Conhecimento para o Design de Materiais em Diferentes Domínios

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

February 7, 2026

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

cs.AI

Resumo

Os Modelos de Linguagem de Grande Porte (LLMs) prometem acelerar a descoberta ao raciocinar através do cenário científico em expansão. No entanto, o desafio já não é o acesso à informação, mas sim conectá-la de maneiras significativas e que abranjam diferentes domínios. Na ciência dos materiais, onde a inovação exige a integração de conceitos desde a química molecular até ao desempenho mecânico, este problema é especialmente agudo. Nem os humanos nem os LLMs de agente único podem lidar totalmente com esta torrente de informação, sendo os últimos frequentemente propensos a alucinações. Para resolver este estrangulamento, introduzimos uma arquitetura multiagente guiada por grafos de conhecimento de larga escala para encontrar substitutos sustentáveis para substâncias per e polifluoroalquil (PFAS) — químicos atualmente sob intenso escrutínio regulamentar. Os agentes na arquitetura especializam-se na decomposição de problemas, recuperação de evidências, extração de parâmetros de design e travessia de grafos, descobrindo conexões latentes entre diferentes bolsas de conhecimento para apoiar a geração de hipóteses. Estudos de ablação mostram que o *pipeline* multiagente completo supera o *prompting* de disparo único, sublinhando o valor da especialização distribuída e do raciocínio relacional. Demonstramos que, ao adaptar as estratégias de travessia do grafo, o sistema alterna entre buscas exploratórias, que focam em resultados críticos para o domínio, e buscas exploratórias, que revelam interconexões emergentes. Ilustrado através do exemplo de tubagem biomédica, o *framework* gera alternativas sustentáveis sem PFAS que equilibram desempenho tribológico, estabilidade térmica, resistência química e biocompatibilidade. Este trabalho estabelece um *framework* que combina grafos de conhecimento com raciocínio multiagente para expandir o espaço de design de materiais, apresentando vários candidatos de design iniciais para demonstrar a abordagem.

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.