Catalyst-Agent: Autonomous heterogeneous catalyst screening and optimization with an LLM Agent

Título: Catalyst-Agent: Triagem e Otimização Autônoma de Catalisadores Heterogêneos com um Agente LLM

1. O Problema

A descoberta de novos catalisadores heterogêneos para aplicações específicas é um dos maiores desafios da química do século XXI. Os métodos tradicionais enfrentam gargalos significativos:

• Abordagens Experimentais: São lentas, caras e baseadas em tentativa e erro.
• Abordagens Computacionais (DFT): O uso da Teoria do Funcional da Densidade (DFT) para prever energias de adsorção e barreiras de ativação é preciso, mas computacionalmente caro (cerca de 48 horas por relaxação) e limitado pela complexidade de modelar superfícies consistentes e explorar a vasta combinatorial de facetas, sítios e adsorbatos.
• Limitações de Modelos de ML Atuais: Embora modelos de aprendizado de máquina (como GNNs) acelerem a triagem, a maioria das abordagens anteriores foca apenas na geração de estruturas ou mineração de literatura, sem um ciclo de feedback fechado que integre recuperação de dados, avaliação de energia e refinamento iterativo autônomo.

2. Metodologia: O Catalyst-Agent

O trabalho apresenta o Catalyst-Agent, um agente de IA autônomo baseado em Grandes Modelos de Linguagem (LLM) que opera em um ciclo fechado para triagem e otimização de catalisadores.

• Arquitetura Baseada em MCP (Model Context Protocol): O sistema utiliza o protocolo MCP para conectar o agente LLM a cinco servidores especializados, isolando dependências de software conflitantes e garantindo robustez:

  1. Servidor de Informação de Catalisadores: Usa Perplexity Deep Research para gerar listas iniciais de candidatos baseadas em literatura ou bancos de dados (como Catalysis Hub).
  2. Servidor de Recuperação de Estrutura: Consulta a API OPTIMADE (Materials Project, OQMD) para obter estruturas cristalinas inorgânicas.
  3. Servidor de Recurso de Arquivos CIF: Permite o uso direto de arquivos de estrutura cristalina fornecidos pelo usuário.
  4. Servidor de Modificação de Estrutura: Permite ao agente aplicar modificações de superfície em tempo real, incluindo:
     • Substituição de Topo (Doping): Troca de um átomo na camada superficial.
     • Deformação In-Plane (Strain): Aplicação de tensão compressiva ou trativa nos vetores da rede.
  5. Servidor de Avaliação de Energia: O núcleo computacional. Utiliza o fluxo de trabalho AdsorbML da Meta FAIRchem com o potencial interatômico de aprendizado de máquina universal UMA (Universal Machine-learned Interatomic Potentials, modelo uma-s-1p1) para calcular energias de adsorção relaxadas em múltiplas facetas.

• Ciclo de Trabalho: O agente recebe um prompt natural (ex: "Encontre catalisadores para ORR"), recupera estruturas, avalia energias de adsorção, compara com critérios de sucesso e, se o candidato for um "quase-certo" (near-miss), decide autonomamente aplicar modificações (tensão ou doping) e reavaliar até encontrar um candidato viável ou descartar o material.

3. Contribuições Principais

• Autonomia Total: O primeiro framework que integra recuperação de banco de dados, construção de modelos de superfície, avaliação de energia via ML e refinamento iterativo em um único pipeline fechado, sem intervenção humana contínua.
• Arquitetura Modular (MCP): Resolve o problema prático de dependências de software conflitantes ao isolar ferramentas computacionais em servidores separados, permitindo que falhas em um módulo não derrubem todo o sistema.
• Otimização Ativa: Diferente de modelos generativos que apenas propõem estruturas, o Catalyst-Agent refina candidatos existentes através de engenharia de superfície (tensão e doping) guiada por feedback energético quantitativo.
• Custo-Benefício: Demonstra que campanhas de triagem de curto a médio prazo são viáveis com custo marginal quase nulo, aproveitando as camadas gratuitas de APIs de LLM.

4. Resultados

O agente foi testado em três reações eletrocatalíticas críticas: Redução de Oxigênio (ORR), Redução de Nitrogênio (NRR) e Redução de CO2 (CO2RR).

• Taxa de Sucesso: O Catalyst-Agent alcançou uma taxa de sucesso de 23% a 34% entre todos os materiais avaliados em cada tarefa.
• Eficiência de Convergência: Em média, o agente convergiu para um material bem-sucedido em 1 a 2 tentativas (avaliações) por material.
• Eficácia das Modificações:
  • Para materiais que entraram no loop de modificação, os candidatos bem-sucedidos apresentaram uma proporção maior de modificações bem-sucedidas em relação às falhas (ex: 1.67 modificações bem-sucedidas vs. 1.00 falha para ORR).
  • Isso indica que o agente é mais produtivo ao refinar candidatos que já estão próximos do alvo descritor, em vez de tentar "salvar" materiais intrinsecamente inadequados.
• Descobertas Específicas:
  • Identificou candidatos promissores como Sn3Sc para CO2RR, um catalisador não relatado anteriormente na literatura.
  • No caso de CoGa2O4 (ORR), o agente demonstrou raciocínio iterativo: inicialmente tentou doping e compressão (falhou), isolou a variável de tensão, inverteu a direção para tensão trativa e convergiu para uma solução ótima em 4 tentativas.
• Limitações Observadas: O agente às vezes inverteu a terminologia termodinâmica verbalmente (ex: chamar uma adsorção fraca de "forte"), mas corrigiu suas ações com base nos números precisos fornecidos pelo pipeline AdsorbML, mostrando que o raciocínio numérico supera o raciocínio linguístico defeituoso.

5. Significância e Impacto

Este trabalho representa um avanço significativo na automação da descoberta científica:

• Aceleração da Pesquisa: Reduz drasticamente o tempo e o esforço humano necessários para a exploração computacional de catalisadores, deslocando o papel do pesquisador de "scripting" para a definição de objetivos e orquestração de alto nível.
• Validação de Agentes Científicos: Prova que agentes de IA, quando equipados com ferramentas científicas robustas (MCP + MLIPs), podem executar fluxos de trabalho complexos de ponta a ponta, gerando hipóteses testáveis e refinando-as autonomamente.
• Escalabilidade: A arquitetura modular e o uso de modelos de ML rápidos (UMA) permitem que campanhas de triagem sejam escaladas para milhares de materiais com custos computacionais e financeiros viáveis, abrindo caminho para a descoberta acelerada de materiais para energia sustentável.

Em suma, o Catalyst-Agent demonstra que a combinação de LLMs com ferramentas computacionais especializadas pode operacionalizar a triagem de catalisadores, oferecendo um caminho prático para descobertas científicas mais rápidas, reprodutíveis e acessíveis.