MatOS: An Agent Operating System for Materials Research
Dit artikel introduceert MatOS, een agent-besturingssysteem voor materiaalkundig onderzoek dat gebruikmaakt van een gelaagde wetenschappelijke asset-grafiek, stateful adaptieve workflows en bewijsgestuurde asset-evolutie om autonoom complexe, langdurige wetenschappelijke taken te beheren, waarbij het superieure prestaties levert ten opzichte van bestaande agents en succesvol diverse meerfasige studies naar materiaalkundige ontdekkingen uitvoert.
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
De zoektocht naar nieuwe materialen—substanties die meer energie kunnen opslaan, elektriciteit beter kunnen geleiden of extreme hitte kunnen weerstaan—is lang een traag, gefragmenteerd proces geweest. Het steunt op een enorme, verspreide collectie van data, computersimulaties en laboratoriumexperimenten. Een enkele studie vereist vaak dat een onderzoeker dagen of weken doorbrengt met het schakelen tussen het lezen van wetenschappelijke artikelen, het uitvoeren van complexe berekeningen op supercomputers, en het interpreteren van de resultaten om te beslissen wat de volgende stap moet zijn. Hoewel kunstmatige intelligentie onlangs is begonnen te helpen bij het automatiseren van deze stappen, blijft het een moeilijke uitdaging om een computer te leren hoe hij door dit chaotische landschap kan navigeren zonder de weg kwijt te raken of onomkeerbare fouten te maken. Het kernprobleem is niet alleen dat de computer moet weten hoe hij een hulpmiddel gebruikt, maar dat hij moet begrijpen hoe hij een langdurig, meerfasig project op koers kan houden, moet leren van zijn eigen fouten, en zijn methoden moet aanpassen naarmate er nieuwe informatie binnenkomt, allemaal zonder bij elke stap menselijke tussenkomst.
Om dit op te lossen, heeft een team van onderzoekers een nieuw systeem gebouwd genaamd MatOS, dat functioneert als een besturingssysteem dat specifiek is ontworpen voor materiaalkundig onderzoek. Net zoals een besturingssysteem van een computer bestanden en programma's beheert zodat applicaties soepel kunnen draaien, beheert MatOS de instrumenten, data en methoden die wetenschappers gebruiken. In plaats van elke nieuwe taak als een nieuw begin te behandelen, organiseert het systeem de onderzoeksvaardigheden in een gestructureerde bibliotheek van herbruikbare "assets". Deze assets omvatten alles van ruwe data en wetenschappelijke kennis tot softwaretools en specifieke vaardigheden. Wanneer een onderzoeker het systeem vraagt om een nieuw materiaal te vinden, raadt het systeem niet simpelweg; het stelt de noodzakelijke onderdelen samen uit deze bibliotheek, creëert een duidelijk, stapsgewijs plan en voert dit uit terwijl het voortdurend zijn eigen werk controleert. Als het plan moet worden aangepast vanwege een nieuw resultaat of een correctie van de gebruiker, kan het systeem pauzeren, het pad aanpassen en hervatten zonder de draad kwijt te raken, waardoor wordt gewaarborgd dat langlopende studies betrouwbaar en reproduceerbaar blijven.
Het systeem werd getest op een reeks complexe onderzoeksuitdagingen om te zien of het de huidige AI-tools kon overtreffen. In een benchmark die bedoeld was om te evalueren hoe goed een agent end-to-end onderzoek kan uitvoeren, verbeterde het systeem de voorheen best presterende agent met meer dan 11 procent, terwijl het dezelfde onderliggende 'hersenen' gebruikte. Het bleek ook succesvoller dan andere toonaangevende programmeerassistenten wanneer het werd gevraagd specifieke materiaalkundige software te gebruiken of meerstaps wetenschappelijke problemen op te lossen. De onderzoekers ontdekten dat het vermogen van het systeem om een verslag bij te houden van elke stap en zijn werk te controleren aan de hand van wetenschappelijke regels, het systeem in staat stelde om veelvoorkomende fouten te vermijden, zoals het verkeerd interpreteren van data of het niet verbinden van de resultaten van de ene berekening met de volgende. Deze betrouwbaarheid stelde het systeem in staat om taken aan te gaan die voorheen te riskant waren voor geautomatiseerde agents, zoals het draaien van simulaties die dagen duren of het navigeren door complexe workflows die constante aanpassingen vereisen.
In acht specifieke onderzoeksgevallen demonstreerde het systeem zijn vermogen om reële wetenschappelijke problemen aan te pakken. In één grote inspanning hielp het een pool van meer dan 30 miljoen kandidaat-kristalstructuren terug te brengen tot slechts 97 veelbelovende kandidaten voor vaste elektrolytenbatterijen, een cruciaal onderdeel voor veiligere en efficiëntere energieopslag. In een ander geval genereerde het duizenden variaties van een specifiek type zout en identificeerde het 89 nieuwe versies die een hogere elektrische geleidbaarheid vertoonden dan hun oorspronkelijke vormen. Het systeem hielp wetenschappers ook begrijpen waarom bepaalde computermodellen voor het voorspellen van atomair gedrag fouten maakten, door die fouten te koppelen aan specifieke lokale omgevingen rondom atomen. Bovendien assisteerde het bij de ontwikkeling van een nieuwe methode voor het selecteren van trainingsdata, wat de fouten in potentiaalenergie-modellen met 3,1 procent verminderde, en het creëerde een nieuw model voor het voorspellen van de smelttemperaturen van legeringen dat 13,6 procent nauwkeuriger was dan de beste bestaande methoden.
De onderzoekers gebruikten het systeem ook om een klassieke vloeistofdynamica-simulatie te reproduceren, waarmee werd bevestigd dat het continu stromingsproblemen kan afhandelen en zelfs inconsistenties in de data die voor de benchmark werd gebruikt, kan opsporen. Tijdens al deze taken volgde het systeem niet alleen een rigide script; het evolueerde. Na elke taak evalueerde het zijn eigen prestaties en de feedback van de gebruiker om de gebruikte assets te verfijnen. Als een tool zich onverwacht gedroeg of een methode inefficiënt bleek, update het systeem zijn interne bibliotheek om te voorkomen dat hetzelfde probleem zich opnieuw voordoet. Dit proces van leren en aanpassen betekende dat het systeem bekwaamder werd bij elke studie die het voltooide, in plaats van dat er voor elk nieuw project een volledig nieuw systeem gebouwd moest worden.
Het succes van dit systeem suggereert dat de toekomst van materiaalkundige ontdekking mogelijk ligt in het organiseren van wetenschappelijke kennis, niet als een statische verzameling feiten, maar als een dynamisch, onderling verbonden web van herbruikbare mogelijkheden. Door data, tools en methoden te behandelen als assets die gecombineerd, gecontroleerd en verbeterd kunnen worden, stelt het systeem kunstmatige intelligentie in staat om langdurige, complexe studies uit te voeren met een niveau van betrouwbaarheid dat voorheen onbereikbaar was. De onderzoekers hebben aangetoond dat machines, met de juiste structuur, niet alleen berekeningen kunnen uitvoeren maar ook het gehele wetenschappelijke proces kunnen beheren, van de initiële screening van miljoenen mogelijkheden tot de ontwikkeling van nieuwe methoden voor het begrijpen van de fysieke wereld. Deze aanpak biedt een pad voor het versnellen van de ontdekking van materialen die nodig zijn voor schone energie, geavanceerde productie en nationale veiligheid, waarbij het chaotische proces van wetenschappelijk onderzoek wordt omgezet in een gestroomlijnde, zelfverbeterende workflow.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.