AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence

合金设计是一个多尺度问题，需要综合方法，包括检索相关知识、应用先进的计算方法、进行实验验证和分析结果，这通常是专业人员的工作。机器学习可以帮助加速这个过程，例如通过使用深度代理模型将结构特征与材料性质相连接。然而，现有的数据驱动模型通常针对特定的材料目标，缺乏整合领域外知识的灵活性，并且不能适应新的、未预见到的挑战。在这里，我们通过利用多个人工智能代理的不同能力，在动态环境中自主协作来解决复杂的材料设计任务，克服了这些限制。所提出的物理感知生成式人工智能平台AtomAgents，将大型语言模型(LLM)的智能与在各个领域具有专业知识的人工智能代理之间的动态协作相结合，包括知识检索、多模态数据集成、基于物理的模拟和跨模态的全面结果分析，包括数值数据和物理模拟结果的图像。多智能体系统的协同努力使得能够解决复杂的材料设计问题，例如自主设计具有增强性能的金属合金，与其纯净对应物相比。我们的结果可以准确预测合金的关键特性，并强调了固溶合金化在引导先进金属合金发展中的关键作用。我们的框架提高了复杂多目标设计任务的效率，并在生物医学材料工程、可再生能源和环境可持续性等领域开辟了新的途径。

本文旨在解决合金设计中的多尺度问题，通过利用多个AI代理的不同能力，在动态环境中自主协作解决复杂的材料设计任务。

本文提出了一种名为AtomAgents的物理感知生成AI平台，通过多个AI代理的协同作用，实现了知识检索、多模态数据集成、基于物理的模拟和综合结果分析等多个领域的专家知识的整合，从而解决了现有数据驱动模型的局限性。

本文的实验结果表明，AtomAgents可以用于设计具有比纯金属更优异性能的金属合金，并且可以准确预测合金的关键特性。这个框架可以增强复杂多目标设计任务的效率，并在生物医学材料工程、可再生能源和环境可持续性等领域开辟新的研究方向。

近年来，人工智能在材料科学领域得到越来越广泛的应用。与本文相关的研究包括：1.使用深度神经网络预测合金的性质；2.使用机器学习方法优化合金的组成；3.利用生成对抗网络设计新的材料结构。