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

Para comprender el mundo material, los científicos suelen observar cómo se comportan los átomos cuando están excitados, como cuando la luz incide en una célula solar o cuando una corriente eléctrica fluye a través de un chip. Aunque los modelos informáticos estándar pueden describir cómo se mantienen quietos los átomos, tienen dificultades para predecir qué sucede cuando los electrones saltan a niveles de energía superiores o interactúan con las vibraciones en la red cristalina. Para obtener estas respuestas correctamente, los investigadores utilizan un conjunto de técnicas matemáticas avanzadas conocidas como teoría de perturbaciones de muchos cuerpos. Estos métodos son increíblemente potentes y precisos, pero también son notoriamente difíciles de usar. Requieren que el investigador actúe como un maestro director de orquesta, vinculando manualmente varios programas de software diferentes, cada uno con su propio lenguaje y reglas. Si los ajustes de un programa no coinciden perfectamente con los del siguiente, todo el cálculo falla, a menudo de formas que son difíciles de detectar hasta que se han desperdiciado horas de tiempo de computación. Esta complejidad ha mantenido estas poderosas herramientas fuera del alcance de todos excepto de los expertos más especializados.

Un equipo de investigadores ha desarrollado un nuevo sistema diseñado para cerrar esta brecha, permitiendo que la inteligencia artificial se encargue del trabajo pesado de estos complejos cálculos. Los científicos probaron si los modelos de lenguaje de gran tamaño modernos —sistemas de IA avanzados capaces de razonar y seguir instrucciones— podían configurar automáticamente estos difíciles flujos de trabajo por sí mismos. Descubrieron que, sin ayuda, incluso los modelos de IA más sofisticados fallaban al construir un cálculo funcional más veces de las que tenían éxito. Los modelos cometían con frecuencia errores sutiles, como desalinear la rejilla de puntos utilizada para mapear las propiedades del material, lo que causaba que todo el proceso colapsara más tarde. Sin embargo, cuando los investigadores introdujeron un nuevo marco llamado AI-Donkey, los resultados cambiaron dramente. Este sistema actúa como un guía experto, proporcionando a la IA instrucciones curadas por expertos y un conjunto de herramientas rígidas que aseguran que cada paso se conecte correctamente con el siguiente. Con esta asistencia, los agentes de IA, que van desde modelos comerciales potentes hasta versiones de código abierto, pudieron ejecutar con éxito cálculos completos y libres de errores para una variedad de materiales, incluyendo tubos unidimensionales, láminas bidimensionales y bloques sólidos.

El núcleo del problema que los investigadores abordaron reside en la naturaleza de estos cálculos. A diferencia de las simulaciones informáticas más simples que permanecen dentro de un solo programa, la teoría de perturbaciones de muchos cuerpos requiere una cadena de eventos donde la salida de un paquete de software se convierte en la entrada de otro. Cada paso depende de detalles físicos precisos, como la simetría del material y la disposición específica de los átomos. Si un investigador comete un pequeño error en el primer paso, ese error viaja por la línea, corrompiendo el resultado final. El equipo descubrió que los modelos de IA actuales, a pesar de su capacidad para escribir código y responder preguntas, carecen del conocimiento profundo y específico del dominio requerido para gestionar estas cadenas de manera fiable. Al pedirle que configurara un cálculo para un material como el silicio, la IA a menudo adivinaba los ajustes necesarios. En una prueba, la IA configuró con éxito un cálculo básico aproximadamente la mitad de las veces, pero para tareas más complejas que involucraban propiedades ópticas o vibraciones de electrones, la tasa de éxito cayó hasta el 19 por ciento. Los modelos a menudo inventaban ajustes que sonaban plausibles pero que eran físicamente incorrectos, lo que conducía a cálculos que no podían ejecutarse o que producían datos inútiles.

Para resolver esto, los investigadores construyeron AI-Donkey, un marco que no depende de que la IA adivine las reglas. En su lugar, el sistema proporciona a la IA una biblioteca estructurada de conocimiento experto y un conjunto de herramientas automatizadas que imponen la consistencia. Piense en la IA como un arquitecto hábil que puede diseñar un edificio pero necesita a un capataz para asegurar que los ladrillos se coloquen de acuerdo con el plano; AI-Donkey actúa como ese capataz. El sistema descompone el cálculo complejo en pasos manejables, cada uno guiado por un documento de "habilidad" específico escrito por expertos humanos. Estos documentos explican exactamente qué información se necesita, qué debe hacer la computadora y qué errores comunes evitar. La IA utiliza entonces estos documentos para dirigir un conjunto de programas informáticos que generan los archivos necesarios y los vinculan entre sí. Debido a que las herramientas informáticas gestionan los detalles técnicos y comprueban los errores automáticamente, la IA ya no necesita memorizar cada regla ni preocuparse por cometer un error tipográfico que rompa la cadena.

Los resultados de este enfoque fueron impactantes. Cuando los investigadores probaron los mismos modelos de IA con el marco AI-Donkey, la tasa de éxito saltó a casi el 100 por ciento. Cada intento, ya fuera utilizando un modelo comercial de primer nivel o una versión de código abierto más pequeña, produjo un flujo de trabajo completo y ejecutable que superó todas las comprobaciones. El sistema funcionó de manera consistente a través de pruebas repetidas, eliminando los fallos aleatorios que plagaban a los modelos no asistidos. Los investigadores demostraron esta capacidad haciendo que la IA calculara autónomamente las propiedades de varios materiales diferentes, incluyendo una sola capa de un compuesto hecho de molibdeno y selenio, una lámina de átomos de carbono conocida como grafeno y un tubo de átomos de carbono. En cada caso, la IA identificó correctamente los ajustes específicos necesarios para la estructura única de ese material, ejecutó los cálculos en supercomputadoras potentes e incluso analizó los resultados para producir visualizaciones de cómo se comportan los electrones.

El estudio también amplió los límites de lo que la IA puede hacer en este campo al abordar un cálculo particularmente difícil conocido como la teoría de perturbaciones GW, que se utiliza para estudiar cómo los electrones interactúan con las vibraciones en el material. Esta tarea específica nunca había sido automatizada antes e implica la coordinación de cuatro paquetes de software diferentes. Sin el marco AI-Donkey, los modelos de IA fallaban por completo, incapaces de comprender los estrictos requisitos para vincular los programas. Con el marco, sin embargo, la IA completó con éxito todo el proceso, manejando correctamente las complejas dependencias entre las diferentes etapas. Esto incluyó el cálculo de cómo un semiconductor polar como el carburo de silicio responde a los campos eléctricos, una tarea que requiere un manejo preciso de las fuerzas de largo alcance que son difíciles de modelar. Los investigadores descubrieron que la IA podía incluso realizar tareas avanzadas, como probar diferentes ajustes para asegurar que los resultados fueran precisos, un proceso conocido como prueba de convergencia, que suele ser un trabajo tedioso y que consume mucho tiempo para los científicos humanos.

Las implicaciones de este trabajo se extienden más allá de simplemente hacer los cálculos más rápidos. Al crear un sistema que puede guiar de manera fiable a la IA a través de complejos flujos de trabajo científicos, los investigadores han abierto la puerta para que una gama más amplia de científicos utilice estas poderosas herramientas. El marco está diseñado para ser flexible, lo que significa que puede actualizarse para incluir nuevos métodos y software a medida que se desarrollen. El equipo demostró que el sistema podía integrar funciones avanzadas, como técnicas para acelerar los cálculos para sistemas grandes, sin necesidad de ser reescrito por completo. Esto sugiere que, en el futuro, los científicos podrían pedir a una IA que explore nuevos materiales o pruebe nuevas teorías sin necesidad de ser un experto en los códigos informáticos subyacentes. El hallazgo clave es que, si bien la IA está mejorando en su capacidad de razonamiento, todavía necesita un entorno estructurado y guiado por expertos para manejar los procesos rígidos y de múltiples pasos requeridos en la ciencia de alto nivel. Al combinar el poder de razonamiento de la IA con la fiabilidad del conocimiento curado por humanos, los investigadores han trazado un camino hacia el descubrimiento científico totalmente autónomo en el campo de la ciencia de materiales.