💻 computer science

OpenQlaw: An Agentic AI Assistant for Analysis of 2D Quantum Materials

OpenQlaw is een agentic AI-systeem dat de analyse van 2D-quantummaterialen versnelt door een centrale agent te gebruiken die gespecialiseerde multimodale modellen coördineert, visuele identificatie ontkoppelt van redenering en persistente geheugenfuncties biedt voor contextbewuste, praktische toepassingen in de fabricage van apparaten.

Oorspronkelijke auteurs: Sankalp Pandey, Xuan-Bac Nguyen, Hoang-Quan Nguyen, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu

Gepubliceerd 2026-03-19

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sankalp Pandey, Xuan-Bac Nguyen, Hoang-Quan Nguyen, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een grote, slimme chef-kok bent die een nieuw restaurant runt (het laboratorium). Je hebt een zeer getalenteerde, maar soms wat verwarringwekkende sous-chef (de AI-robot) die geweldig is in het analyseren van ingrediënten, maar die zijn rapporten schrijft alsof hij een hele encyclopedie aan het voorlezen is.

Deze paper introduceert OpenQlaw, een nieuw systeem dat precies dat probleem oplost. Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: De "Encyclopedische" Sous-chef

In de wereld van 2D-kwantummaterialen (zoals heel dunne laagjes grafiet of andere wonderstoffen) moeten wetenschappers kijken naar microscopische foto's om te zien hoe dik een laagje is.

De oude manier: Wetenschappers moesten met de hand zoeken, meten en alles overnemen. Dat was traag en vermoeiend.
De nieuwe manier (maar met een hapering): Er kwam een slimme AI (genaamd QuPAINT) die deze foto's kon lezen. Maar deze AI was te gedetailleerd. Als je vroeg: "Welk stukje is het dikste?", gaf hij een antwoord als: "Ik zie hier 50 stukjes. Nummer 1 heeft coördinaten [x,y], nummer 2 heeft [x,y]... en hier is mijn hele redenering over hoe licht breekt..."
Het probleem: De wetenschapper kreeg een overvloed aan informatie (een "cognitieve overbelasting"). Het was alsof je een kok vraagt om een boterham te maken, en hij leest je eerst de volledige geschiedenis van tarwe voor, inclusief de coördinaten van elke korrel.

2. De Oplossing: OpenQlaw, de "Orkestleider"

OpenQlaw is geen nieuwe robot die zelf kijkt. Het is een slimme manager (een "Agent") die tussen jou en die gedetailleerde sous-chef staat.

Stel je voor dat OpenQlaw een tolk en projectmanager is die als volgt werkt:

De Manager (De Orkestleider): Jij praat tegen de manager via een app op je telefoon (zoals WhatsApp of Discord). Je zegt gewoon: "Laat me het grootste stukje zien en bereken hoe groot het is."
De Tolk: De manager neemt je vraag, loopt naar de sous-chef (QuPAINT) en zegt: "Kijk naar deze foto, vind de stukjes, maar geef me alleen de cijfers en de namen. Geen lange verhalen."
De Rekenaar: Zodra de manager de ruwe cijfers heeft (bijvoorbeeld: "dit stukje is 100 pixels breed"), pakt hij een rekenmachine. Hij weet dat 1 pixel gelijkstaat aan 0,25 micrometer (een heel klein maatje). Hij doet de berekening: "100 x 0,25 = 25 micrometer."
De Tekenaar: Als je vraagt om het te zien, pakt de manager een digitale stift en tekent alleen dat ene stukje op de foto in, zodat het direct duidelijk is.

3. De Magische Geheugenbank

Een van de coolste dingen aan OpenQlaw is dat het niet vergeet.

Als je vandaag zegt: "Onze microscoop staat ingesteld op 1 pixel = 0,25 µm", onthoudt de manager dat voor de rest van het gesprek.
Als je morgen een nieuwe foto stuurt, hoeft je niet opnieuw te vertellen hoe de microscoop staat. De manager zegt: "Ah, ik weet nog hoe groot de pixels zijn, ik reken het direct om."
Hij onthoudt ook hoe je de monsters hebt voorbereid, zodat je later kunt zeggen: "Hoe werkt het beste? Het monster van vandaag of van gisteren?" en hij kan de resultaten vergelijken.

Waarom is dit belangrijk?

Vroeger moesten wetenschappers als detektives werken die zelf alle puzzelstukjes moesten leggen. Nu hebben ze een assistent die:

De ingewikkelde details voor ze uitzoekt.
De saaie rekenwerkjes doet.
De antwoorden geeft in een korte, duidelijke zin, precies zoals je het nodig hebt.

Dit maakt het veel sneller om nieuwe, supersterke materialen te bouwen voor de technologie van de toekomst (zoals snellere computers of quantum-computers). In plaats van uren te praten met een robot die alles uitlegt, krijg je direct het antwoord dat je nodig hebt om aan de slag te gaan.

Kortom: OpenQlaw is de slimme tussenpersoon die de complexe taal van de AI vertaalt naar simpele, bruikbare instructies voor de mens, zodat wetenschappers zich kunnen focussen op het ontdekken van nieuwe materialen in plaats van op het lezen van lange rapporten.

Titel: OpenQlaw: Een Agente AI-assistent voor de Analyse van 2D-Quantummaterialen

1. Het Probleem

De overgang van optische identificatie van 2D-quantummaterialen (zoals grafiet, MoS2 en hBN) naar praktische apparaatfabricage wordt gehinderd door een significant knelpunt in de workflow:

Visuele Complexiteit: Het is moeilijk om monolagen, bilagen en few-layer vlokken betrouwbaar te onderscheiden met standaard optische microscopie vanwege subtiele visuele verschillen.
Inefficiënte Validatie: Onderzoekers moeten momenteel handmatig vlokken optisch identificeren, fysiek verplaatsen naar een Atomaire Krachtmicroscoop (AFM) voor meting, en de coördinaten vervolgens terugkaarten naar de optische afbeelding. Dit proces is traag, arbeidsintensief en schaalt slecht.
Beperkingen van Bestaande AI:
- Objectdetectoren: Gebrek aan fysische priors (zoals dunne-film interferentie) waardoor ze fysische fasen kunnen verwarren bij kleine variaties in verlichting of substraat.
- Multimodale LLM's (MLLM's): Modellen zoals QuPAINT bieden wel fysisch onderbouwde redenering, maar zijn geoptimaliseerd voor cognitieve transparantie. Dit resulteert in zeer uitgebreide, verbaal overvloedige output (lange redeneertraces en lijsten met coördinaten) die leiden tot cognitieve overload voor onderzoekers en geen directe bruikbaarheid bieden voor snelle besluitvorming.

2. Methodologie: Het OpenQlaw Framework

OpenQlaw is een agente orkestratiearchitectuur die is ontworpen om de kloof tussen visuele inferentie en praktische uitvoering te overbruggen. Het systeem ontkoppelt de complexe fysische redenering van deterministische berekeningen en conversatie.

De architectuur bestaat uit drie kerncomponenten:

A. Agente Orkestratielus (De "Orkestrator"):
- Dit is een Vision-Language Model (VLM) dat fungeert als centrale controller.
- Het communiceert via chatinterfaces (WhatsApp, Discord) en beheert een persistent geheugen. Hiermee kan het context bewaren, zoals schaalverhoudingen (pixels naar micrometer) en sample-voorbereidingsmethoden, zelfs over meerdere sessies heen.
- Het agent kan autonoom schaalbalken in afbeeldingen analyseren om meeteenheden af te leiden.
B. Materiaal-Domein Expert (QuPAINT):
- QuPAINT fungeert als een gespecialiseerde "tool" of node binnen het systeem, niet als de directe interface voor de gebruiker.
- Het voert zware, fysisch bewuste inferenties uit om vlokken te identificeren en te classificeren (bijv. monolaag vs. bilayer).
- Het levert ruwe, gestructureerde data op (bounding box-coördinaten [x, y, w, h]) en een cognitieve trace.
- De orkestrator onderschept deze output, filtert de verbaal overvloedige tekst weg en extraheren alleen de gestructureerde numerieke data.
C. Deterministische Uitvoeringstools:
- Rekenhulpmiddelen: Zet pixelcoördinaten om naar fysieke oppervlakten met behulp van de opgeslagen schaalverhouding ( $Area_{fysiek} = (w \times S) \times (h \times S)$ ).
- Afbeeldingsannotatie: Genereert dynamisch bijgewerkte afbeeldingen met alleen de door de gebruiker gevraagde vlokken gemarkeerd, gebaseerd op natuurlijke taalcommando's.

Implementatie:
Het systeem draait op NanoBot (geïnspireerd door OpenClaw) en gebruikt Qwen3-VL-32B-Instruct als kernmotor, gehost op NVIDIA Quadro RTX 8000 GPU's.

3. Belangrijkste Bijdragen

Agente Orkestratie voor Wetenschap: Introductie van een multi-agent framework dat een domein-expert MLLM koppelt aan een conversatieve interface, waardoor complexe inferenties worden vertaald naar actiebare, real-time metrics.
Ontkoppeling van Redenering en Uitvoering: Het systeem scheidt de fysische redenering (QuPAINT) van de deterministische berekeningen en de conversatie. Dit elimineert de cognitieve overload van uitgebreide redeneertraces voor de eindgebruiker.
Persistent Contextueel Geheugen: Het vermogen om schaalverhoudingen en sample-metadaten op te slaan, waardoor de agent consistent kan rekenen en vergelijken zonder dat de gebruiker deze informatie bij elke vraag opnieuw hoeft in te voeren.
Dynamische Visualisatie: Het systeem levert alleen visuele annotaties wanneer specifiek gevraagd, waardoor rekenkracht wordt bespaard en de output relevant blijft voor de onderzoeksvraag.

4. Resultaten

Een kwalitatieve casestudy vergeleek de ruwe output van QuPAINT met de georkestreerde output van OpenQlaw:

Efficiëntie: Waar QuPAINT een lange lijst met coördinaten en een verwarrende afbeelding met alle vlokken terugkreeg (wat leidde tot fouten in het tellen door de complexiteit van de tekst), leverde OpenQlaw een beknopt, natuurlijk taalantwoord op.
Accurate Berekeningen: OpenQlaw slaagde erin om de fysieke oppervlakte van de grootste monolaag correct te berekenen in $\mu m^2$ door de opgeslagen schaalverhouding toe te passen, terwijl QuPAINT zonder deze context willekeurige eenheden gebruikte.
Resource Management: Het systeem vermijdt onnodige visuele rendering als de gebruiker deze niet vraagt, en schakelt deze wel in bij specifieke verzoeken (bijv. "Toon de grootste monolaag").
Gebruiksgemak: Onderzoekers kunnen afbeeldingen direct uploaden via WhatsApp en direct bruikbare fabricagemetrics ontvangen zonder gespecialiseerde software.

5. Betekenis en Toekomstperspectief

OpenQlaw vertegenwoordigt een cruciale stap richting geautomatiseerde, hoogdoorvoer kwantummateriaalontdekking.

Significantie: Het transformeert geïsoleerde AI-inferenties in een contextbewuste assistent die de fabricage van apparaten versnelt door de menselijke tussenkomst en cognitieve belasting te minimaliseren.
Beperkingen: Het systeem is afhankelijk van de token-limieten van de onderliggende modellen (bij zeer dichte afbeeldingen met honderden vlokken) en de nauwkeurigheid van de output van de domein-expert (fouten in de coördinatenstructuur kunnen de Python-tools doen falen).
Toekomst: De volgende stappen omvatten het uitbreiden van de toolset voor directe hardware-interactie, waardoor de orkestrator microscopen kan aansturen of robotische systemen kan bedienen om de volledige procesketen (exfoliatie, vlokjacht en stapeling) te automatiseren.

Kortom, OpenQlaw lost het probleem op van "te veel informatie, te weinig actie" in de AI-gedreven materialenwetenschap door een slimme, geheugenrijke agent te creëren die werkt als een brug tussen complexe AI-modellen en de dagelijkse praktijk in het laboratorium.