论文SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning提出了一种名为SciAgents的框架，旨在通过多代理系统（Multi-Agent System, MAS）和知识图谱（Knowledge Graphs）自动化科学发现过程，特别是在生物启发材料领域。SciAgents的设计目的是通过人工智能（AI）技术和大规模语言模型（LLM）来处理庞大的科学数据，自动化生成并验证科学假设，极大地加速科学研究的效率。通过这种框架，研究者可以更加高效地探索复杂的跨学科领域，发现以前未被揭示的科学联系和创新材料设计方案。
论文作者为Alireza Ghafarollahi, Markus J. Buehler，均来自MIT。
针对SciAgents，论文作者Markus J. Buehler说了句脑洞大开的话：
…
In the field of materials science, for instance, SciAgents has already demonstrated how principles from biology, music, and art can converge to create new biomimetic materials. Through isomorphic mapping, parallels have been drawn between Beethoven’s 9th Symphony and biological structures, pointing to a broader applicability of AI-driven insights across disciplines.
在材料科学领域，SciAgents已经展示了如何将生物学、音乐和艺术的原理融合起来，创造出新的仿生材料。通过同构映射，已经在贝多芬的第九交响曲与生物结构之间找到了相似之处，表明了人工智能驱动的洞察在跨学科领域的广泛适用性。
…
负面地想想则细思极恐，连科学发现都渐渐在脱离人类自身的控制~🙂
以下为论文概要内容：
一、研究背景与挑战
论文首先提出了科学发现过程的现有挑战。传统的科学研究依赖于人类研究者的知识和创造力，研究者通过回顾文献、提出假设、设计实验、验证假设，最终得出结论。然而，随着科学数据的爆炸式增长，依靠人工处理这些庞大的数据变得越来越困难。此外，现有的科学发现过程受限于人类研究者的知识和想象力，尤其是在跨学科领域，许多潜在的发现可能被忽略。
随着人工智能，特别是大规模语言模型（如GPT系列）的发展，AI已经展示了其在生成新想法和提出假设方面的潜力。虽然AI已经能够在某些领域生成有价值的科学假设，但要让AI系统完全自动化地进行科学发现，仍面临一些挑战，例如生成的假设不够准确、缺乏专业知识、以及在处理复杂科学问题时的能力不足等。因此，SciAgents框架旨在通过多代理系统来解决这些挑战。
二、SciAgents框架核心概念
SciAgents框架基于三个核心概念：
- 大规模本体知识图谱：论文提出了利用大规模的本体知识图谱将不同的科学概念组织并连接在一起，形成一个系统的知识网络。知识图谱通过从大量科学文献中提取信息，构建出科学概念之间的关系网络，并通过图论分析来揭示隐藏的跨学科关系。
- 大规模语言模型（LLM）与数据检索工具的结合：SciAgents使用了多个大规模语言模型以及数据检索工具来分析和生成新的科学假设。LLM能够从自然语言输入中提取信息，并根据上下文生成新的假设。SciAgents还结合了外部数据检索工具，如Semantic Scholar API，用于验证生成假设的创新性和相关性。
- 多代理系统与现场学习能力：为了更好地处理复杂的科学问题，SciAgents使用了多代理系统，每个代理（agent）都有不同的职责和任务。通过这种协作方式，系统能够动态生成假设，评估和改进假设，并根据最新的数据进行调整。多代理系统通过分工合作，可以处理复杂的科学问题，如假设生成、设计原理提出、实验优先级排序等。
三、系统架构与工作流程
论文详细介绍了SciAgents的工作流程，分为以下几个步骤：
- 知识图谱的构建：首先，系统从约1000篇相关领域的科学论文中提取概念，生成一个知识图谱。这个知识图谱包括33,159个节点和48,753条边，代表了生物启发材料领域的主要概念及其相互关系。
- 多代理系统的设计：SciAgents包含多个专门的代理，每个代理执行特定的任务。例如：
- 本体学代理（Ontologist Agent）：负责定义知识图谱中的概念，并解释这些概念之间的关系。
- 科学家代理1（Scientist Agent 1）：负责生成详细的研究假设，提出材料设计的具体机制、预期结果和创新点。
- 科学家代理2（Scientist Agent 2）：进一步扩展和细化假设，添加定量信息，并设计详细的实验或模拟方案。
- 批评代理（Critic Agent）：对生成的假设进行批判性审查，指出其优缺点，并提出改进意见。
- 假设生成与验证：系统通过知识图谱中的关系生成初步的研究假设，并使用自然语言处理模型进行进一步扩展。生成的假设包括以下七个方面：
- 假设（Hypothesis）：明确提出研究假设。
- 预期结果（Outcome）：描述预期的研究结果，尽量定量化。
- 机制（Mechanism）：详细说明相关的化学、物理或生物学机制。
- 设计原理（Design Principles）：列出新材料或系统的设计原理，提出创新性设计方案。
- 意外特性（Unexpected Properties）：预测新材料可能具有的意外特性，说明其潜在原因。
- 比较（Comparison）：与现有材料或技术进行详细的对比。
- 创新性（Novelty）：讨论提出的研究假设相较于现有研究的创新点。
- 多代理协作与批评：不同代理协作生成假设，批评代理通过提出建议和改进方案，确保假设不仅具有创新性，还具备科学性和可行性。
- 结果展示与评估：论文通过案例研究展示了SciAgents的工作流程。例如，系统随机选择“丝绸”和“能量密集型”作为起始节点，生成了一个关于丝绸与材料设计的研究假设。假设包括如何通过结合生物启发的丝绸材料和低能耗的加工方法来改进材料的机械性能和光学性能。通过对比分析和批评代理的反馈，最终得出了一份详细的研究报告。
四、应用与影响
SciAgents不仅适用于材料科学，还能够广泛应用于其他学科领域的研究。通过自动化生成研究假设，SciAgents能够极大地加速科学发现过程，尤其是在需要跨学科合作的领域中，如生物启发材料、合成生物学等。
该系统的多代理协作模式，类似于生物系统中的“智能群体”（Swarm of Intelligence），能够模拟多个研究者之间的合作与反馈，生成超越人类研究者想象力和知识的创新假设。
五、未来展望
论文最后讨论了SciAgents的潜力和未来发展方向。未来可以通过增加代理的种类，例如能够执行模拟和实验的代理，进一步提升系统的自动化水平。此外，论文提出，SciAgents框架可以用于大规模生成材料设计的研究假设，进一步扩展科学发现的边界。
SciAgents on GitHub: https://github.com/lamm-mit/SciAgentsDiscovery
Model Card on Hugging Face: https://huggingface.co/lamm-mit/bio-graph-1K