PeroMAS: 페로브스카이트 물질 발견을 위한 다중 에이전트 시스템

PeroMAS: A Multi-agent System of Perovskite Material Discovery

페로브스카이트 태양전지(PSC)는 3세대 광전지 혁명의 선구자로서 뛰어난 광전 성능과 비용 효율성으로 널리 알려져 있습니다. PSC의 개발 과정은 문헌 검색, 데이터 통합, 실험 설계 및 합성 등 일련의 폐쇄 루프 워크플로우를 포함하는 정밀하고 복잡한 과정입니다. 그러나 기존의 AI 기반 페로브스카이트 연구는 주로 물질 설계, 공정 최적화 및 특성 예측과 같은 개별 모델에 집중합니다. 이러한 모델은 워크플로우 전체에 걸쳐 물리적 제약을 반영하지 못하여, 엔드 투 엔드 최적화를 저해합니다. 본 논문에서는 페로브스카이트 물질 발견을 위한 다중 에이전트 시스템인 PeroMAS를 제안합니다. 먼저, 페로브스카이트에 특화된 다양한 도구를 모델 컨텍스트 프로토콜(MCP)로 캡슐화했습니다. PeroMAS는 이러한 도구를 계획하고 실행함으로써, 문헌 검색 및 데이터 추출부터 특성 예측 및 메커니즘 분석에 이르기까지 전체 과정을 아우르는 다중 목표 제약 조건 하에서 페로브스카이트 물질을 설계할 수 있습니다. 또한, 페로브스카이트 분야 전문가들이 이 다중 에이전트 시스템을 평가할 수 있도록 평가 벤치마크를 구축했습니다. 결과는 기존의 단일 대규모 언어 모델(LLM) 또는 전통적인 검색 전략에 비해, 우리 시스템이 발견 효율성을 크게 향상시킨다는 것을 보여줍니다. 우리 시스템은 다중 목표 제약 조건을 만족하는 후보 물질을 성공적으로 식별했습니다. 특히, 실제 합성 실험을 통해 PeroMAS의 효과를 물리적 세계에서 검증했습니다.

As a pioneer of the third-generation photovoltaic revolution, Perovskite Solar Cells (PSCs) are renowned for their superior optoelectronic performance and cost potential. The development process of PSCs is precise and complex, involving a series of closed-loop workflows such as literature retrieval, data integration, experimental design, and synthesis. However, existing AI perovskite approaches focus predominantly on discrete models, including material design, process optimization,and property prediction. These models fail to propagate physical constraints across the workflow, hindering end-to-end optimization. In this paper, we propose a multi-agent system for perovskite material discovery, named PeroMAS. We first encapsulated a series of perovskite-specific tools into Model Context Protocols (MCPs). By planning and invoking these tools, PeroMAS can design perovskite materials under multi-objective constraints, covering the entire process from literature retrieval and data extraction to property prediction and mechanism analysis. Furthermore, we construct an evaluation benchmark by perovskite human experts to assess this multi-agent system. Results demonstrate that, compared to single Large Language Model (LLM) or traditional search strategies, our system significantly enhances discovery efficiency. It successfully identified candidate materials satisfying multi-objective constraints. Notably, we verify PeroMAS's effectiveness in the physical world through real synthesis experiments.