GraphAgents: Агентный искусственный интеллект с управлением на основе графов знаний для междисциплинарного дизайна материалов
GraphAgents: Knowledge Graph-Guided Agentic AI for Cross-Domain Materials Design
February 7, 2026
Авторы: Isabella A. Stewart, Tarjei Paule Hage, Yu-Chuan Hsu, Markus J. Buehler
cs.AI
Аннотация
Крупные языковые модели (LLM) обещают ускорить научные открытия за счёт логического вывода на основе расширяющегося массива научных знаний. Однако ключевая проблема сегодня заключается уже не в доступе к информации, а в установлении содержательных междисциплинарных связей. В материаловедении, где инновации требуют интеграции концепций от молекулярной химии до механических свойств, эта проблема особенно актуальна. Ни люди, ни одиночные LLM не могут в полной мере справиться с этим потоком данных, причём последние часто склонны к галлюцинациям. Для преодоления этого ограничения мы представляем мульти-агентный фреймворк, управляемый крупномасштабными графами знаний, для поиска устойчивых заменителей пер- и полифторалкильных веществ (ПФАВ) — химических соединений, находящихся под пристальным вниманием регуляторов. Агенты в рамках системы специализируются на декомпозиции задач, поиске доказательств, извлечении параметров проектирования и обходе графов, выявляя скрытые связи между различными областями знаний для поддержки генерации гипотез. Абляционные исследования показывают, что полная мульти-агентная система превосходит одношаговые промпты, подчёркивая ценность распределённой специализации и реляционных рассуждений. Мы демонстрируем, что путём адаптации стратегий обхода графа система чередует эксплуатационный поиск, сфокусированный на критически важных доменных результатах, и исследовательский поиск, выявляющий возникающие междисциплинарные связи. На примере биомедицинских трубок фреймворк генерирует устойчивые альтернативы, не содержащие ПФАВ, которые обеспечивают баланс трибологических характеристик, термической стабильности, химической стойкости и биосовместимости. Данная работа создаёт основу для объединения графов знаний с мульти-агентными рассуждениями для расширения пространства проектирования материалов, демонстрируя несколько перспективных кандидатов в качестве примера подхода.
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.