Resumen: Nuestro objetivo es diseñar agentes del lenguaje con mayor autonomía para el descubrimiento de materiales de cristal. Si bien la mayoría de los estudios existentes restringen a los agentes a realizar tareas específicas dentro de los flujos de trabajo predefinidos, nuestro objetivo es automatizar la planificación del flujo de trabajo dada las metas y la intuición de los científicos de alto nivel. Con este fin, proponemos la planificación, la física y los científicos de un agente de materiales, conocidos como MAPPS. MAPPS consiste en un planificador de flujo de trabajo, un generador de código de herramientas y un mediador científico. El planificador de flujo de trabajo utiliza modelos de idiomas grandes (LLM) para generar flujos de trabajo estructurados y de varios pasos. El generador de código de herramientas sintetiza el código de Python ejecutable para varias tareas, incluida la invocación de un modelo de base de campo Force que codifique la física. El mediador científico coordina las comunicaciones, facilita la retroalimentación de los científicos y garantiza la robustez a través de la reflexión de errores y la recuperación. Al unificar la planificación, la física y los científicos, MAPPS permite el descubrimiento de materiales flexible y confiable con una mayor autonomía, logrando una mejora de cinco veces en estabilidad, singularidad y tasas de novedad en comparación con modelos generativos anteriores cuando se evalúa en los datos MP-20. Proporcionamos experimentos extensos en diversas tareas para mostrar que MAPPS es un marco prometedor para el descubrimiento de materiales autónomos.
Publicado Originalme en rss.arxiv.org El 8 de junio de 2025.
Ver Fuente Original
