GraphAgents: 교차 도메인 재료 설계를 위한 지식 그래프 기반 에이전트 AI

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

대규모 언어 모델(LLM)은 확장되는 과학 분야 전반에 걸친 추론을 통해 발견을 가속화할 잠재력을 가지고 있습니다. 그러나 현재의 과제는 정보에 대한 접근 자체가 아니라, 이를 의미 있고 여러 도메인을 아우르는 방식으로 연결하는 것입니다. 분자 화학에서 기계적 성능에 이르는 개념들을 통합해야 혁신이 가능한 재료 과학 분야에서 이는 특히 심각한 문제입니다. 인간이나 단일 에이전트 LLM 모두 이러한 정보의 홍수를 완전히 감당할 수 없으며, 특히 후자는 종종 환각 현상을 일으키기 쉽습니다. 이러한 병목 현상을 해결하기 위해, 본 연구는 현재 엄격한 규제 조사를 받고 있는 과불화화합물(PFAS)의 지속 가능한 대체재를 찾기 위해 대규모 지식 그래프가 유도하는 다중 에이전트 프레임워크를 소개합니다. 프레임워크 내의 에이전트들은 문제 분해, 증거 검색, 설계 변수 추출 및 그래프 탐색을 전문으로 하며, 서로 다른 지식 영역 간의 잠재된 연결성을 발견하여 가설 생성을 지원합니다. 소거 연구(ablation studies) 결과, 전체 다중 에이전트 파이프라인이 단일 샷 프롬프팅보다 우수한 성능을 보였으며, 이는 분산된 전문화와 관계적 추론의 가치를 강조합니다. 또한 그래프 탐색 전략을 조정함으로써, 시스템이 도메인의 핵심 결과에 집중하는 활용적 탐색(exploitative searches)과 새로운 교차 연결을 드러내는 탐험적 탐색(exploratory searches) 사이를 오갈 수 있음을 입증했습니다. 생의학 튜브의 사례를 통해, 본 프레임워크는 마찰학적 성능, 열 안정성, 내화학성 및 생체 적합성의 균형을 맞춘 지속 가능한 PFAS 없는 대안을 생성함을 보여주었습니다. 이 연구는 지식 그래프와 다중 에이전트 추론을 결합하여 재료 설계 공간을 확장하는 프레임워크를 확립하고, 이 접근 방식을 입증하기 위한 몇 가지 초기 설계 후보를 제시합니다.

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.