🔬 materials science

AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org

Este artigo apresenta o AGAPI, uma plataforma de IA de agentes de acesso aberto que integra múltiplos modelos de linguagem de grande escala com ferramentas científicas para alcançar precisão numérica em previsões de propriedades de materiais e superar significativamente modelos sem ferramentas em conjuntos de dados inéditos e resistentes à memorização, ao alavancar bancos de dados externos e fluxos de trabalho de simulação.

Autores originais: Jaehyung Lee, Justin Ely, Kent Zhang, Akshaya Ajith, Charles Rhys Campbell, Kamal Choudhary

Publicado 2026-07-09

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jaehyung Lee, Justin Ely, Kent Zhang, Akshaya Ajith, Charles Rhys Campbell, Kamal Choudhary

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando resolver um quebra-cabeça complexo sobre como novos materiais funcionam, como projetar um metal superforte ou uma célula solar melhor. No passado, você tinha duas opções principais:

A Abordagem do "Super Gênio": Você faz uma pergunta a uma IA muito inteligente (um Modelo de Linguagem Grande) para que ela responda a partir de sua memória. Ela leu milhões de livros e artigos, então sabe muito. Mas, ela pode errar se a peça específica do quebra-cabeça for rara ou se estiver tentando lembrar de um fato que aprendeu anos atrás que acabou sendo ligeiramente incorreto.
A Abordagem da "Caixa de Ferramentas": Você dá à IA um conjunto de calculadoras, bancos de dados e máquinas de simulação para usar. Ela não apenas adivinha; ela procura a resposta ou execla um cálculo para obter o número exato.

Este artigo apresenta o AGAPI, uma nova plataforma de acesso aberto que atua como um maestro inteligente para uma orquestra científica. Ele conecta a IA "Super Gênio" a uma enorme caixa de ferramentas de 18 ferramentas científicas diferentes (como bancos de dados de propriedades de materiais, motores de simulação e preditores de estrutura de proteínas).

Aqui está o detalhamento do que o artigo realmente descobriu, usando analogias simples:

1. A Grande Pergunta: A Caixa de Ferramentas Ajuda?

Os pesquisadores queriam saber: Dar uma caixa de ferramentas à IA realmente torna suas respostas mais precisas ou apenas adiciona ruído?

Eles testaram isso em problemas de ciência dos materiais. Descobriram que a resposta depende inteiramente de o que a IA está tentando prever e de onde os dados vêm.

2. O "Perfeito Imitador" vs. A "Biblioteca Falha"

A equipe descobriu algo surpreendente sobre o porquê de a IA às vezes errar as coisas.

A IA é um Perfeito Imitador: Quando a IA usa a caixa de ferramentas, ela não "alucina" ou inventa números. Ela age como um mensageiro perfeito. Se a caixa de ferramentas diz que a resposta é "5", a IA diz "5".
A Biblioteca Tem Livros Antigos: O problema não é a IA ou a caixa de ferramentas; é a biblioteca (o banco de dados) da qual a caixa de ferramentas está extraindo informações.
- Analogia: Imagine que a IA é um estudante fazendo uma prova. O estudante recebe um livro didático (o banco de dados) para procurar as respostas. Se o livro tiver um erro de digitação ou usar uma fórmula desatualizada, o estudante escreverá a resposta errada, mesmo tendo copiado perfeitamente.
- O Resultado: Para coisas como "módulo de elasticidade" (o quão duro um material é) e "bandgap" (como a eletricidade flui), a IA obteve os números exatamente como constavam no banco de dados. A razão pela qual a resposta não correspondia aos experimentos do mundo real foi que o próprio banco de dados estava ligeiramente incorreto em relação à realidade, não porque a IA falhou.

3. Quando a Caixa de Ferramentas é uma Linha de Vida (O "Teste das Coisas Novas")

Os pesquisadores criaram um teste especial com materiais novos e inventados e materiais danificados (como um cristal com uma peça faltando) que a IA nunca tinha visto antes em seu treinamento.

Sem Ferramentas: A IA tentou adivinhar de memória. Ela falhou miseravelmente, dando respostas que estavam muito longe do real (como adivinhar o peso de um carro chutando o peso de uma bicicleta).
Com Ferramentas: A IA usou a caixa de ferramentas para calcular as propriedades desses novos materiais. Ela obteve as respostas quase perfeitamente.
A Lição: Para coisas que a IA nunca viu antes, a caixa de ferramentas é indispensável. A IA não consegue "memorizar" todos os possíveis novos materiais, então ela deve usar as ferramentas para calcular a resposta.

4. O "Interruptor Inteligente" (Seleção Adaptativa)

O artigo sugere que a IA não deve usar a caixa de ferramentas cegamente para cada pergunta. Ela precisa ser inteligente sobre quando usá-la.

Cenário A: Se você perguntar sobre um material muito comum (como o sal de cozinha) que é bem documentado em livros didáticos, a memória da IA pode ser, na verdade, mais precisa do que o banco de dados, porque o banco de dados pode usar um método de cálculo ligeiramente desatualizado.
Cenário B: Se você perguntar sobre um material estranho, novo ou quebrado, a memória da IA é inútil e ela deve usar as ferramentas.

Os autores propõem uma versão futura onde a IA atua como um bibliotecário inteligente: ela verifica: "Eu conheço isso bem o suficiente da minha memória ou preciso ir à seção de referência (o banco de dados) para obter a resposta correta?"

5. O "Chef Robô" (Fluxos de Trabalho Autônomos)

Finalmente, eles mostraram que a IA pode realizar tarefas complexas de várias etapas por conta própria, sem que um humano a guie pela mão.

Analogia: Em vez de apenas perguntar "Como eu faço um bolo?", você pode dizer: "Projete um novo tipo de bateria, verifique se ela é estável, simule como ela se parece sob um microscópio e diga como ela reagiria ao calor".
A IA realizou com sucesso um processo de 10 etapas: encontrou um material, construiu um modelo dele, quebrou-o (para testar defeitos), consertou-o, simulou como ele pareceria sob raios-X e calculou suas propriedades — tudo de uma só vez.

Resumo

AGAPI é uma plataforma que permite que cientistas de IA utilizem ferramentas reais em vez de apenas adivinhar.

Boas Notícias: A IA é muito boa em usar essas ferramentas com precisão.
Ressalva: Se as ferramentas extraírem dados de um banco de dados que é ligeiramente impreciso em comparação com a realidade, a IA fornecerá uma resposta precisa, porém errada. O erro vem do dado de origem, não da IA.
Melhor Uso: O sistema é um divisor de águas para novos materiais desconhecidos, onde a IA não tem memória para confiar.

A plataforma está aberta para qualquer pessoa usar, e prova que quando você combina uma IA inteligente com um bom conjunto de ferramentas científicas, você pode acelerar a descoberta de novos materiais.

Resumo Técnico: AGAPI-Agents

Definição do Problema
A integração de Grandes Modelos de Linguagem (LLMs) com ferramentas científicas externas (IA Agêntica) é cada vez mais proposta para acelerar a descoberta de materiais. No entanto, existe uma lacuna fundamental na compreensão de quando o acesso a ferramentas realmente melhora a precisão da previsão versus quando introduz erros. As suposições atuais de que o aumento por ferramentas é universalmente benéfico são complicadas por erros sistemáticos em bases de dados subjacentes (ex: vieses de funcionais de DFT), pelo potencial de o conhecimento paramétrico dos LLMs superar entradas específicas de bancos de dados para materiais bem caracterizados, e pelo risco de propagação de erro em cadeias de múltiplas etapas. Além disso, os frameworks existentes frequentemente dependem de LLMs comerciais com atualizações de API não determinísticas, o que dificulta a reprodutibilidade.

Metodologia
Os autores apresentam o AGAPI (AtomGPT.org API), uma plataforma de acesso aberto projetada para avaliar rigorosamente e executar fluxos de trabalho agênticos em ciência dos materiais.

Arquitetura: O AGAPI utiliza uma arquitetura de três camadas: (1) 50 aplicativos web voltados ao usuário, (2) 28 ferramentas de agentes chamáveis por LLM (wrappers de Python) e (3) 18 endpoints de API REST. Esses endpoints integram diversos recursos, incluindo JARVIS-DFT, ALIGNN (redes neurais de grafos), ALIGNN-FF e CHIPS-FF (campos de força), SlaKoNet (teoria de ligação forte), análise de XRD (DiffractGPT) e predição de estrutura de proteínas (ESMFold).
Design do Agente: O sistema emprega uma arquitetura de agente único com um loop Planejador-Executor-Sumarizador, construído sobre o OpenAI Agents SDK. Utiliza LLMs de código aberto e auto-hospedados (padronizando para GPT-OSS-20B) para garantir a reprodutibilidade via fixação de versão (version pinning) e amostragem determinística.
Estratégia de Avaliação: A principal contribuição metodológica é uma decomposição de resíduo de três avaliações aplicada aos conjuntos de teste de estrutura eletrônica do JARVIS-Leaderboard. Isso separa os erros em três componentes:
1. Agente-vs-Banco de Dados: Fidelidade do pipeline do agente (o agente recupera e reporta corretamente a saída da ferramenta?).
2. Banco de Dados-vs-Experimento: Viés herdado do funcional de DFT subjacente.
3. Agente-vs-Experimento: Erro total do sistema aumentado por ferramentas.
Conjuntos de Teste: As avaliações incluem conjuntos padrão do JARVIS-Leaderboard (bandgap, módulo de bulk, $T_c$ de supercondutividade, SLME, constante dielétrica) e dois conjuntos "resistentes à memorização": DEF-57 (supercélulas defeituosas) e HYP-60 (composições hipotéticas), projetados para estarem fora da distribuição de treinamento do LLM.

Resultos Principais

Fidelidade do Pipeline: Para o módulo de bulk e bandgap, o agente reproduz as entradas do JARVIS-DFT com precisão numérica (MAE = 0.0). Isso confirma que os erros nessas propriedades em relação às referências experimentais derivam inteiramente do viés do funcional de DFT no banco de dados, e não de um mau funcionamento do agente.
Desempenho por Propriedade Específica:
- Módulo de Bulk e Constante Dielétrica: O aumento por ferramentas melhorou a precisão contra o experimento em 27% e 46%, respectivamente, confirmando o valor quando o LLM carece de fortes conhecimentos paramétricos ou quando o banco de dados é preciso.
- Bandgap, $T_c$ e SLME: O Erro Médio Absoluto (MAE) com aumento de ferramentas foi maior do que as predições sem ferramentas para essas propriedades.
  - Bandgap: O erro foi atribuído ao funcional de DFT específico (OptB88vdW/MBJ) que subestima os gaps, não ao agente. A mudança para HSE06 reduziu significativamente o erro sem alterar o agente.
  - Superconducting $T_c$ : O agente exibiu um resíduo não nulo de agente-vs-banco de dados, ocasionalmente substituindo valores de DFT recuperados por conhecimento paramétrico que estava mais próximo do experimento para materiais conhecidos (ex: MgB2, Nb3Sn).
  - SLME: Os erros foram amplificados devido à propagação multiplicativa de erros de DFT de etapas anteriores nesta propriedade derivada.
Avaliação Resistente à Memorização: Nos conjuntos DEF-57 e HYP-60 (estruturas defeituosas e hipotéticas), os LLMs sem ferramentas falharam catastroficamente (MAE > 1.25 eV), agrupando-se em torno de valores de hospedeiros de livros didáticos. Em contraste, os agentes aumentados por ferramentas alcançaram precisão quase perfeita (MAE < 0.003 eV), demonstrando que as ferramentas são indispensáveis quando o conhecimento paramétrico não está disponível.
Fluxos de Trabalho Autônomos: O sistema executou com sucesso fluxos de trabalho complexos de múltiplas etapas, como um pipeline de análise de defeitos de semicondutores de 10 operações (busca em bancos de dados, construção de supercélulas, relaxamento de estruturas, simulação de XRD e cálculo de propriedades) e construção autônoma de interfaces de heteroestruturas.

Principais Contribuições

Plataforma AGAPI: Uma plataforma agêntica de acesso aberto e reprodutível, integrando 8 LLMs de código aberto com 28 ferramentas através de bancos de dados de materiais, campos de força e códigos de simulação.
Decomposição Quantitativa de Erro: A primeira comparação quantitativa lado a lado de predições com e sem aumento de ferramentas que separa explicitamente a fidelidade do pipeline do agente do viés herdado do banco de dados.
Evidência Empírica sobre a Utilidade das Ferramentas: O estudo demonstra que o aumento por ferramentas não é universalmente superior; seu benefício depende da propriedade específica, da precisão do funcional de DFT subjacente e da extensão da documentação do material no corpus de treinamento do LLM.
Proposta de Seleção Adaptativa de Ferramentas: Com base na decomposição de resíduos, os autores propõem um mecanismo de seleção adaptativa de ferramentas onde os agentes decidem dinamicamente invocar ferramentas apenas quando o resíduo esperado de banco de dados-vs-experimento é menor que o erro esperado do conhecimento paramétrico.

Significância
O artigo afirma fornecer o primeiro framework rigoroso para distinguir entre "mau funcionamento agêntico" e "desajuste banco de dados-funcional". Estabelece que, para materiais bem caracterizados, o conhecimento paramétrico de um LLM pode por vezes superar entradas específicas de bancos de dados, enquanto para estruturas novas ou defeituosas, as ferramentas são essenciais. Ao isolar essas fontes de erro, o AGAPI move o campo além da suposição de que "mais ferramentas equivalem a melhor precisão", defendendo, em vez disso, estratégias agênticas conscientes do contexto que pesam a confiabilidade da ferramenta contra as capacidades do modelo. A plataforma e sua metodologia de avaliação são disponibilizadas para acelerar o desenvolvimento de design de materiais impulsionado por IA confiável.