瑞士移民

大家好，关于MIT研发新型多智能体系统：自动完成论文阅读与科学实验很多朋友都还不太明白，今天小编就来为大家分享关于的知识，希望对各位有所帮助！

该系统通过结合大规模本体知识图谱、大型语言模型和多智能系统，揭示传统研究方法中经常被忽视的隐藏的跨学科联系，从而实现材料领域的自动化科学探索。

SciAgents可以“自动处理”整个科研探索过程，包括独立阅读文献、确定研究方向、设计和执行实验。

值得注意的是，SciAgents 在许多方面超越了人类研究人员，包括研究规模、精度和探索能力。

这项研究不仅展示了人工智能在材料设计和研究方面的潜力，而且提供了发现新材料的新途径，有望显着加速新材料的开发进程。

近日，预印本网站arXiv上发表了一篇相关论文，标题为《通过多智能体智能图推理实现科学发现自动化》（SciAgents：通过多智能体智能图推理实现自动化科学发现）[1]。

麻省理工学院博士后研究员Alireza Ghafarollahi为第一作者，Markus J. Buehler教授为通讯作者。

然而需要理解的是，随着学科的交叉和科学知识的扩展，分析和处理数据的复杂性逐渐增加，尤其是其中蕴含的一些隐藏信息和联系，也成为了挑战。供科学探索的研究人员使用。挑战之一。

近年来，人工智能的发展和进步为科学发现和设计带来了新的范式，可以加速对海量数据集的分析、自动检索相关性并综合处理更广泛的信息。

例如，谷歌DeepMind开发了GNoME，这是一个旨在促进材料发现过程的人工智能系统，并基于该系统发现了220万种新晶体。

SciAgents 的核心在于其多智能体图推理能力，使其能够自主推进科学理解、探索相关领域、识别复杂模式并发现大量科学数据中以前未建立的联系。

该系统不仅提高了研究的规模和精度，而且超越了传统以人为中心的研究方法的探索能力。

综上所述，SciAgents的工作原理依赖于以下三点：

首先，利用大规模的本体知识图谱来组织和连接不同的科学概念；其次，使用一系列大规模语言模型和数据检索工具组合；第三，使用具有现场学习能力的多智能体系统。

基于此，通过智能协作，系统不仅可以自动构建和完善研究假设，还可以揭示潜在机制、设计原理以及一些难以发现的材料特性。

科学智能体比人类更擅长理解信息、寻找相关性和提出假设。

具体来说，它不仅可以从海量数据中发现某些特殊联系，还可以对现有研究进行深入的评估和分析。

这种方法使SciAgents 能够发现新材料，对现有假设提出改进建议，检索最新的研究数据，并指出相关的优势和局限性。

从SciAgents的工作流程来看，它可以在识别关键词/分析科学论文后生成知识图谱，然后利用这些信息来自动化科学发现。

系统内的多个代理以不同的策略进行交互。有些遵循预先定义的任务顺序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期间的变化。

这种灵活的设计甚至允许人类专家在开发阶段提供反馈，进一步提高研究质量。

值得注意的是，知识图谱在SciAgents的运行中发挥着关键作用。通过整合各种概念和知识，它帮助系统发现以前被忽视的和看似不相关的假设。

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关键信息，以促进更深入的科学研究。

SciAgents已在仿生材料、新药开发、环境等领域展现出应用潜力。

一方面，通过分析和综合大数据集中的模式和联系，可以显着加速科学发现和发展的进程；另一方面，通过为相关领域提供新的解决方案，或者推动更多的发现。

SciAgents 为科学领域带来了新的灵感和帮助，同时也引发了一些讨论。虽然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，如何平衡人工智能系统的效率与人类创造力的价值将是科学研究领域需要持续探索的重要问题之一。

参考：

支持：任

操作/排版：何晨龙