大家好，今天给大家分享一篇最近发表在JACS上的文章，题目为A Multiagent-Driven Robotic AI Chemist Enabling Autonomous Chemical Research On Demand。文章的通讯作者是来自中国科学技术大学的陈林江、张飞、尚伟伟、傅尧、江俊、罗毅等。
大语言模型(LLM)发展将驱动未来的化学实验室发生显著变化。LLM具有理解问题、解决问题、生成内容和开发代码等能力，能够通过开放的人机交互方式完成多种类任务。目前，研究者将LLM与多种外生工具相整合，开发了一系列LLM赋能智能体。这类智能体通常具有自主能力，通过模仿人类思维方式，有效提高LLM对文字输入的诠释、处理和回应能力，因此有望助力化学和材料学科研究的发展。
同时，实验机器人也被广泛应用于实验室自动化技术。据此，化学工作者将实验机器人与LLM技术相整合，开发了自驱动实验室(self-driving laboratory, SDL)。在SDL中，机器人和AI协作，自动执行并优化科学研究，完成包括设计、执行、和分析在内的实验任务。然而，按研究者需求，构建基于LLM的自动化化学研究平台仍存在不小挑战。在本文中，作者开发了基于多层级LLM的多智能体系统ChemAgents，其能够依据研究者需求真正实现自动化化学研究。
如图1所示，多智能体系统中含有一个“任务管理”智能体，后者对“文献阅读”“实验设计”“机器操控”和“计算执行”等四个智能体进行管理。这些智能体能够接受文字指令进行相应的操作，随后输出可解释的结果。ChemAgents背后拥有四个基础资源库：科学文献数据库、实验方案文库、机器学习模型(已预训练)文库以及化学实验室自动工作站。作者表示，这种多智能体驱动的AI机器化学家可以解决以下三个复杂度逐渐提高的问题：(1)合成或表征所需化合物(“合成&表征”)；(2)拓展或筛选所需功能材料的实验参数(“拓展&筛选”)；(3)通过“挖掘”文献、计算建模和闭环优化，发现功能材料(“发现&优化”)。
图1. 基于多层级LLM的多智能体系统示意图
如图2所示，作者展示了“文献阅读”“实验设计”“机器操控”和“计算执行”等四个智能体的工作流程。四个智能体分别通过文献数据挖掘与知识整合、实验流程生成与逻辑验证、实验指令到机器人代码的转化与执行和模型预测与迭代优化等步骤，实现了自动化化学研究。
图2. “文献阅读”“实验设计”“机器操控”和“计算执行”智能体工作流程示意图
如图3所示，作者利用ChemAgents，实现了“合成&表征”“拓展&筛选”“发现&优化”等任务。在“合成&表征”任务中，该机器人不仅能够自动表征样品的红外信息(图3.a)，制备六种氧化物并完成对应的粉末射线衍射表征(图3.b)，还自主合成了不同颜色的铅卤化物钙钛矿量子点(图3.c)；在“拓展&筛选”任务中，该机器人对反应温度和加热时间进行优化，制备了具有最优析氢反应(HER)效率的类石墨相氮化碳(g-C3N4) (图3.d)，同时通过对铋氧卤化物(BiOX)的筛选，确定了最优光降解催化剂(图3.e)；在“发现&优化”任务中，该机器人通过筛选和迭代优化，最终制备得到具有最高析氧反应(OER)效率的金属有机高熵催化剂(MO HEC) (图3.f)。
图3. “合成&表征”“拓展&筛选”“发现&优化”任务结果图
如图4所示，作者进一步拓展了ChemAgents的应用范围。作者在新实验室环境中重新搭建了一套自动化平台，并在新环境中成功实现了芳香溴化物的光催化脱溴反应，以及使用气相色谱-质谱联用(GC-MS)技术手段对产物进行监测。这表明，ChemAgents具有较高的适应性和可拓展性。
图4. ChemAgents的适应性和可拓展性
作者认为，ChemAgents的成功离不开LLM优秀的工具调用(tool-calling)能力，后者使得智能体能够自主调用预训练的工具。同时，ChemAgents具有鲁棒性的原因有两点：第一，成熟的机械操控预训练API“解放”了ChemAgents，多智能体只需关注实验设计和分析，而细节化的实验操作由API负责；第二，向ChemAgents提出的指令都是经由精心设计的，这能够有效减少歧义，使智能体能够进行优化。然而，当除了作者以外的非专业人士使用ChemAgents时，可能会加重歧义，使得智能体表现不佳。
总的来说，作者开发了一种多智能体驱动的机器人AI化学家ChemAgents，它能够实现多种类的自动化化学研究任务。作者认为，这一工作将加速推动传统实验室向智能化、自动化转型。
作者：CHR 审校：ZZC
DOI: 10.1 021/jacs.4c17738
Link: https://doi.org/10.1021/jacs.4c17738
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢