最近，美国麻省理工学院（MIT，Massachusetts Institute of Technology）团队发布了一个名为“SciAgents”的 AI 系统。
该系统通过结合大规模本体知识图谱、大语言模型和多智能系统，揭示出传统研究方法中经常忽略的隐藏跨学科联系，从而实现了材料领域的自动化科学探索。
SciAgents 在整个科研探索过程中能够“自动搞定”，包括：自主阅读文献、确定研究方向、设计和执行实验。
值得关注的是，SciAgents 在研究规模、精度和探索能力等多个方面都超过了人类研究员。
该研究不仅展示了 AI 在材料设计和研究领域的潜力，还为发现新材提供了新途径，并有望显著加速新材料的开发进程。
近日，相关论文以《通过多智能体智能图推理实现科学发现自动化》（SciAgents：Automating scientific discovery through multi-agent intelligent graph reasoning）为题发表在预印本网站 arXiv 上 [1]。
MIT 博士后研究员阿利雷扎·加法罗拉希（Alireza Ghafarollahi）是第一作者，马库斯·J·布勒（Markus J. Buehler）教授担任通讯作者。
在科学研究领域，找到有效的方法通过建模、解释和利用从各种来源收集的数据来推动科学发现，是科学家们的长期目标。
然而需要了解的是，随着学科交叉和科学知识的扩展，分析和处理数据的复杂性也在逐渐提升，特别是其中蕴含的某些隐藏信息和联系，这也成为研究人员在科学探索中的挑战之一。
近年来，AI 的发展和进步为科学发现和设计带来新范式，其能够加速分析海量数据集、自动检索关联性，还可以综合处理更广范围的各种信息。
例如，谷歌 DeepMind 曾开发出旨在促进材料发现过程的 AI 系统 GNoME，并基于该系统发现了 220 万种新晶体。
SciAgents 的核心在于多智能体图推理能力，这一能力使其能够自主推进科学理解、探索相关领域、识别复杂模式，并在海量科学数据中发现此前尚未建立的联系。
这一系统不仅提高了研究的规模和精度，还超越了以人为中心的传统研究方法的探索能力。
总结来说，SciAgents 的工作原理依赖于以下三点：
第一，使用大规模本体知识图谱，以组织和连接不同的科学概念；第二，运用一系列大型语言模型和数据检索工具组合；第三，采用具有现场学习能力的多智能体系统。
基于此，该系统通过智能协作，不仅能自动构建和细化研究假设，还能揭示潜在的机制、设计原则和一些难以发现的材料特性。
与人类相比，SciAgents 在理解信息、发现关联性和提出假设方面优势更明显。
具体来说，它不仅能从海量数据中发现某种特殊的联系，还能对已有研究进行深入评估和分析。
这种方法使 SciAgents 能够发现新材料、针对现有假设提出改进意见、检索最新的研究数据，并指出相关优势和局限性。
从 SciAgents 的工作流程来看，它能够在识别关键词/分析科学论文后生成知识图谱，再利用这些信息自动化地进行科学发现。
该系统内的多个智能体以不同的策略进行交互。一些遵循预定义的任务序列以确保假设的一致性，而另一些则允许自由交互，以适应研究过程中的变化。
这种灵活的设计甚至允许人类专家在开发阶段提供反馈，从而进一步提高研究质量。
值得注意的是，知识图谱在 SciAgents 的运行中发挥了关键作用。它通过将各种概念和知识整合，帮助系统发现那些此前被忽略的、看似不相关的假设。
SciAgents 利用随机路径生成和高级推理，从复杂的数据网络中挖掘出关键信息，进而促进更深层次的科学研究。
SciAgents 在仿生材料、新药开发、环境等领域展现出应用潜力。
一方面，通过分析和合成大型数据集中的模式和联系，可显著加速科学发现和发展过程；另一方面，通过为相关领域提供新方案，或促进更多的发现。
SciAgents 为科学领域带来了新的启发和帮助，同时也引发了一些讨论。尽管它展现出强大的科研能力，但人类研究人员的创造力、直觉和批判性思维仍然不可或缺。
因此，在未来的发展中，怎样兼顾 AI 系统的效率与人类创造力的价值，将是科研领域需要继续探索的重要问题之一。
参考资料：
1.https://arxiv.org/pdf/2409.05556
2.https://syncedreview.com/2024/09/20/mits-sciagents-automating-scientific-discovery-with-ai-powered-graph-reasoning/
3.https://www.aibase.com/news/12230
支持：Ren
运营/排版：何晨龙
