Enabling large language model agents for high-fidelity many-body perturbation theory calculations

Um die materielle Welt zu verstehen, schauen Wissenschaftler oft darauf, wie Atome sich verhalten, wenn sie angeregt werden, wie etwa wenn Licht auf eine Solarzelle trifft oder ein elektrischer Strom durch einen Chip fließt. Während Standard-Computermodelle beschreiben können, wie Atome im Ruhezustand sitzen, haben sie Schwierigkeiten vorherzusagen, was passiert, wenn Elektronen auf höhere Energieniveaus springen oder mit Vibrationen im Kristallgitter interagieren. Um diese Antworten korrekt zu erhalten, nutzen Forscher eine Reihe fortgeschrittener mathematischer Techniken, die als Viele-Körper-Störungstheorie bekannt sind. Diese Methoden sind unglaublich leistungsstark und genau, aber auch notorisch schwierig anzuwenden. Sie erfordern von einem Forscher, dass er wie ein Meisterdirigent agiert, der mehrere verschiedene Softwareprogramme manuell miteinander verknüpft, von denen jedes seine eigene Sprache und Regeln besitzt. Wenn die Einstellungen in einem Programm nicht perfekt mit dem nächsten übereinstimmen, schlägt die gesamte Berechnung fehl, oft auf eine Weise, die erst nach Stunden verschwendeter Rechenzeit schwer zu erkennen ist. Diese Komplexität hat diese leistungsstarken Werkzeuge für alle außer den spezialisiertesten Experten unerreichbar gehalten.

Ein Team von Forschern hat nun ein neues System entwickelt, das darauf ausgelegt ist, diese Lücke zu schließen, indem es künstliche Intelligenz übernimmt, die die schwere Arbeit dieser komplexen Berechnungen bewältigt. Die Wissenschaftler testeten, ob moderne Large Language Models – fortschrittliche KI-Systeme, die fähig sind zu schlussfolgern und Anweisungen zu befolgen – in der Lage sind, diese schwierigen Arbeitsabläufe eigenständig aufzubetzen. Sie fanden heraus, dass selbst die anspruchsvollsten KI-Modelle ohne Hilfe öfter scheiterten, als sie eine funktionierende Berechnung konstruieren konnten. Die Modelle unterliefen häufig subtile Fehler, wie etwa die Fehlausrichtung des Gitters von Punkten, die verwendet werden, um die Eigenschaften des Materials abzubilden, was später den gesamten Prozess zum Kollaps brachte. Als die Forscher jedoch ein neues Framework namens AI-Donkey einführten, änderten sich die Ergebnisse dramatisch. Dieses System fungiert als kundiger Wegweiser, der der KI fachlich kuratierte Anweisungen und einen Satz starrer Werkzeuge zur Verfügung stellt, die sicherstellen, dass jeder Schritt korrekt mit dem nächsten verbunden ist. Mit dieser Unterstützung waren die KI-Agenten, die von leistungsstarken kommerziellen Modellen bis hin zu Open-Source-Versionen reichten, in der Lage, vollständige, fehlerfreie Berechnungen für eine Vielzahl von Materialien durchzuführen, einschließlich eindimensionaler Röhren, zweidimensionaler Schichten und fester Blöcke.

Der Kern des Problems, das die Forscher adressierten, liegt in der Natur dieser Berechnungen. Im Gegensatz zu einfacheren Computersimulationen, die innerhalb eines einzigen Programms bleiben, erfordert die Viele-Körper-Störungstheorie eine Kette von Ereignissen, bei der die Ausgabe eines Softwarepakets zur Eingabe eines anderen wird. Jeder Schritt hängt von präzisen physikalischen Details ab, wie etwa der Symmetrie des Materials und der spezifischen Anordnung der Atome. Wenn ein Forscher im ersten Schritt einen kleinen Fehler macht, wandert dieser Fehler die Kette entlang und korrumpiert das Endergebnis. Das Team stellte fest, dass aktuelle KI-Modelle trotz ihrer Fähigkeit, Code zu schreiben und Fragen zu beantworten, nicht über das spezifische, tiefe Fachwissen verfügen, das erforderlich ist, um diese Ketten zuverlässig zu verwalten. Wenn man sie bat, eine Berechnung für ein Material wie Silizium aufzustellen, rät die KI oft die notwendigen Einstellungen. In einem Test setzte die KI eine Basiskalkulation etwa die Hälfte der Zeit erfolgreich auf, aber bei komplexeren Aufgaben, die optische Eigenschaften oder Elektronen-Vibrationen betrafen, sank die Erfolgsquote auf nur 19 Prozent. Die Modelle erfanden oft Einstellungen, die plausibel klangen, aber physikalisch inkorrekt waren, was zu Berechnungen führte, die entweder nicht ausgeführt werden konnten oder nutzlose Daten lieferten.

Um dies zu lösen, bauten die Forscher AI-Donkey, ein Framework, das nicht darauf vertraut, dass die KI die Regeln errät. Stattdessen stellt das System der KI eine strukturierte Bibliothek mit Expertenwissen und einen Satz automatisierter Werkzeuge zur Verfügung, die Konsistenz erzwingen. Stellen Sie sich die KI als einen geschickten Architekten vor, der zwar ein Gebäude entwerfen kann, aber einen Vorarbeiter benötigt, um sicherzustellen, dass die Ziegel gemäß dem Bauplan gelegt werden; AI-Donkey fungiert als dieser Vorarbeiter. Das System bricht die komplexe Berechnung in handhabbare Schritte auf, von denen jeder durch ein spezifisches „Skill“-Dokument geleitet wird, das von menschlichen Experten verfasst wurde. Diese Dokumente erklären genau, welche Informationen benötigt werden, was der Computer tun soll und welche häufigen Fehler zu vermeiden sind. Die KI nutzt diese Dokumente dann, um eine Reihe von Computerprogrammen zu steuern, die die notwendigen Dateien generieren und diese miteinander verknüpfen. Da die Computerwerkzeuge die technischen Details handhaben und auf Fehler automatisch prüfen, muss die KI nicht mehr jede Regel auswendig lernen oder sich Sorgen um einen Tippfehler machen, der die Kette unterbricht.

Die Ergebnisse dieses Ansatzes waren beeindruckend. Als die Forscher dieselben KI-Modelle mit dem AI-Donkey-Framework testeten, sprang die Erfolgsrate auf nahezu 100 Prozent. Jeder einzelne Versuch, egal ob mit einem erstklassigen kommerziellen Modell oder einer kleineren Open-Source-Version, lieferte einen vollständigen, ausführbaren Workflow, der alle Prüfungen bestand. Das System arbeitete konsistent über wiederholte Versuche hinweg und eliminierte die zufälligen Ausfälle, die die ununterstützten Modelle plagten. Die Forscher demonstrierten diese Fähigkeit, indem sie die KI die Eigenschaften verschiedener Materialien autonom berechnen ließen, darunter eine einzelne Schicht einer Verbindung aus Molybdän und Selen, eine Kohlenstoffschicht namens Graphen und eine Kohlenstoffröhre. In jedem Fall identifizierte die KI korrekt die spezifischen Einstellungen, die für die einzigartige Struktur dieses Materials erforderlich waren, führte die Berechnungen auf leistungsstarken Supercomputern durch und analysierte sogar die Ergebnisse, um Visualisierungen des Verhaltens der Elektronen zu erstellen.

Die Studie erweiterte auch die Grenzen dessen, was KI in diesem Bereich leisten kann, indem sie eine besonders schwierige Berechnung angeht, die als GW-Störungstheorie bekannt ist und verwendet wird, um zu untersuchen, wie Elektronen mit Vibrationen im Material interagieren. Diese spezifische Aufgabe war zuvor noch nie automatisiert worden und erfordert die Koordination von vier verschiedenen Softwarepaketen. Ohne das AI-Donkey-Framework scheiterten die KI-Modelle vollständig, da sie nicht in der Lage waren, die strengen Anforderungen für die Verknüpfung der Programme zu verstehen. Mit dem Framework hingegen schloss die KI den gesamten Prozess erfolgreich ab und handhabte korrekt die komplexen Abhängigkeiten zwischen den verschiedenen Phasen. Dies beinhaltete die Berechnung, wie ein polarer Halbleiter wie Siliziumkarbid auf elektrische Felder reagiert – eine Aufgabe, die eine präzise Handhabung langreichweitiger Kräfte erfordert, die schwer zu modellieren sind. Die Forscher fanden heraus, dass die KI sogar fortgeschrittene Aufgaben durchführen konnte, wie etwa das Testen verschiedener Einstellungen, um die Genauigkeit der Ergebnisse sicherzustellen – ein Prozess, der als Konvergenzprüfung bekannt ist und normalerweise eine mühsame und zeitintensive Aufgabe für menschliche Wissenschaftler darstellt.

Die Auswirkungen dieser Arbeit gehen über die bloße Beschleunigung von Berechnungen hinaus. Indem sie ein System geschaffen haben, das eine KI zuverlässig durch komplexe wissenschaftliche Arbeitsabläufe führen kann, haben die Forscher den Weg für eine breitere Gruppe von Wissenschaftlern geebnet, diese leistungsstarken Werkzeuge zu nutzen. Das Framework ist flexibel gestaltet, was bedeutet, dass es aktualisiert werden kann, um neue Methoden und Software zu integrieren, sobald diese entwickelt werden. Das Team zeigte, dass das System in der Lage ist, fortgeschrittene Funktionen zu integrieren, wie etwa Techniken zur Beschleunigung von Berechnungen für große Systeme, ohne dass es komplett neu geschrieben werden muss. Dies deutet darauf an, dass Wissenschaftler in Zukunft in der Lage sein könnten, eine KI zu bitten, neue Materialien zu erforschen oder neue Theorien zu testen, ohne ein Experte in den zugrunde liegenden Computercodes sein zu müssen. Die zentrale Erkenntnis ist, dass KI zwar besser im Schlussfolgern wird, sie aber dennoch ein strukturiertes, expertengesteuertes Umfeld benötigt, um die starren, mehrstufigen Prozesse zu bewältigen, die in der Spitzenwissenschaft erforderlich sind. Durch die Kombination der Schlussfolgerungsfähigkeit der KI mit der Zuverlässigkeit kuratierten menschlichen Wissens haben die Forscher einen Pfad hin zur vollautonomen wissenschaftlichen Entdeckung im Bereich der Materialwissenschaften geschaffen.