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

Para entender o mundo material, os cientistas frequentemente observam como os átomos se comportam quando estão excitados, como quando a luz atinge uma célula solar ou quando uma corrente elétrica flui através de um chip. Embora os modelos computacionais padrão possam descrever como os átomos permanecem imóveis, eles têm dificuldade em prever o que acontece quando os elétrons saltam para níveis de energia mais altos ou interagem com vibrações na rede cristalina. Para obter essas respostas corretamente, os pesquisadores utilizam um conjunto de técnicas matemáticas avançadas conhecidas como teoria de perturbação de muitos corpos. Esses métodos são incrivelmente poderosos e precisos, mas também são notoriamente difíceis de usar. Eles exigem que o pesquisador atue como um mestre regente, conectando manualmente vários programas de software diferentes, cada um com sua própria linguagem e regras. Se as configurações de um programa não coincidirem perfeitamente com o próximo, todo o cálculo falha, muitas vezes de maneiras que são difíceis de detectar até que horas de tempo computacional tenham sido desperdiçadas. Essa complexidade manteve essas ferramentas poderosas fora do alcance de todos, exceto dos especialistas mais especializados.

Uma equipe de pesquisadores desenvolveu agora um novo sistema projetado para preencher essa lacuna, permitindo que a inteligência artificial cuide do trabalho pesado desses cálculos complexos. Os cientistas testaram se os modelos de linguagem de grande escala modernos — sistemas de IA avançados capazes de raciocinar e seguir instruções — poderiam configurar automaticamente esses fluxos de trabalho difíceis por conta própria. Eles descobriram que, sem ajuda, mesmo os modelos de IA mais sofisticados falhavam em construir um cálculo funcional com mais frequência do que tinham sucesso. Os modelos frequentemente cometiam erros sutis, como o desalinhamento da grade de pontos usada para mapear as propriedades do material, o que causava o colapso de todo o processo posteriormente. No entanto, quando os pesquisadores introduziram um novo framework chamado AI-Donkey, os resultados mudaram dramaticamente. Este sistema atua como um guia experiente, fornecendo à IA instruções curadas por especialistas e um conjunto de ferramentas rígidas que garantem que cada etapa se conecte corretamente à próxima. Com essa assistência, os agentes de IA, variando de modelos comerciais poderosos a versões de código aberto, foram capazes de executar cálculos completos e livres de erros para uma variedade de materiais, incluindo tubos unidimensionais, folhas bidimensionais e blocos sólidos.

A essência do problema que os pesquisadores abordaram reside na natureza desses cálculos. Ao contrário de simulações computacionais mais simples que permanecem dentro de um único programa, a teoria de perturbação de muitos corpos requer uma cadeia de eventos onde a saída de um pacote de software se torna a entrada de outro. Cada etapa depende de detalhes físicos precisos, como a simetria do material e o arranjo específico dos átomos. Se um pesquisador comete um pequeno erro na primeira etapa, esse erro viaja pela linha, corrompendo o resultado final. A equipe descobriu que os modelos de IA atuais, apesar de sua capacidade de escrever código e responder perguntas, carecem do conhecimento de domínio específico e profundo necessário para gerenciar essas cadeias de forma confiável. Ao serem solicitados a configurar um cálculo para um material como o silício, a IA frequentemente tentava adivinhar as configurações necessárias. Em um teste, a IA configurou com sucesso um cálculo básico cerca de metade das vezes, mas para tarefas mais complexas envolvendo propriedades ópticas ou vibrações eletrônicas, a taxa de sucesso caiu para apenas 19 por cento. Os modelos frequentemente inventavam configurações que pareciam plausíveis, mas eram fisicamente incorretas, levando a cálculos que não podiam ser executados ou que produziam dados inúteis.

Para resolver isso, os pesquisadores construíram o AI-Donkey, um framework que não depende da IA para adivinhar as regras. Em vez disso, o sistema fornece à IA uma biblioteca estruturada de conhecimento especializado e um conjunto de ferramentas automatizadas que impõem consistência. Pense na IA como um arquiteto habilidoso que pode projetar um edifício, mas precisa de um mestre de obras para garantir que os tijolos sejam assentados de acordo com a planta; o AI-Donkey atua como esse mestre de obras. O sistema decompõe o cálculo complexo em etapas gerenciáveis, cada uma guiada por um documento de "habilidade" específico escrito por especialistas humanos. Esses documentos explicam exatamente quais informações são necessárias, o que o computador deve fazer e quais erros comuns evitar. A IA então usa esses documentos para direcionar um conjunto de programas de computador que geram os arquivos necessários e os conectam. Como as ferramentas de computador lidam com os detalhes técnicos e verificam erros automaticamente, a IA não precisa mais memorizar cada regra ou se preocupar em cometer um erro de digitação que quebre a cadeia.

Os resultados desta abordagem foram impressionantes. Quando os pesquisadores testaram os mesmos modelos de IA com o framework AI-Donkey, a taxa de sucesso saltou para quase 100 por cento. Cada tentativa, fosse usando um modelo comercial de alto nível ou uma versão menor de código aberto, produziu um fluxo de trabalho completo e executável que passou em todas as verificações. O sistema funcionou de forma consistente em testes repetidos, eliminando as falhas aleatórias que assolavam os modelos não assistidos. Os pesquisadores demonstraram essa capacidade fazendo com que a IA calculasse autonomamente as propriedades de diversos materiais diferentes, incluindo uma camada única de um composto feito de molibdênio e selênio, uma folha de átomos de carbono conhecida como grafeno e um tubo de átomos de carbono. Em cada caso, a IA identificou corretamente as configurações específicas necessárias para a estrutura única daquele material, executou os cálculos em supercomputadores poderosos e até analisou os resultados para produzir visualizações de como os elétrons se comportam.

O estudo também expandiu os limites do que a IA pode fazer neste campo ao abordar um cálculo particularmente difícil conhecido como teoria de perturbação GW, que é usado para estudar como os elétrons interagem com as vibrações no material. Esta tarefa específica nunca havia sido automatizada antes e envolve a coordenação de quatro pacotes de software diferentes. Sem o framework AI-Donkey, os modelos de IA falharam completamente, incapazes de compreender os requisitos rigorosos para vincular os programas. Com o framework, no entanto, a IA concluiu com sucesso todo o processo, lidando corretamente com as dependências complexas entre as diferentes etapas. Isso incluiu o cálculo de como um semicondutor polar como o carbeto de silício responde a campos elétricos, uma tarefa que exige o tratamento preciso de forças de longo alcance que são difíceis de modelar. Os pesquisadores descobriram que a IA poderia até realizar tarefas avançadas, como testar diferentes configurações para garantir que os resultados fossem precisos, um processo conhecido como teste de convergência, que é geralmente um trabalho tedioso e demorado para cientistas humanos.

As implicações deste trabalho estendem-se além de tornar os cálculos mais rápidos. Ao criar um sistema que pode guiar a IA através de fluxos de trabalho científicos complexos, os pesquisadores abriram as portas para uma gama mais ampla de cientistas utilizarem estas poderosas ferramentas. O framework é projetado para ser flexível, o que significa que pode ser atualizado para incluir novos métodos e softwares à medida que forem desenvolvidos. A equipe mostrou que o sistema poderia integrar recursos avançados, como técnicas para acelerar cálculos para grandes sistemas, sem precisar ser completamente reescrito. Isso sugere que, no futuro, os cientistas poderão pedir a uma IA para explorar novos materiais ou testar novas teorias sem precisar ser um especialista nos códigos de computador subjacentes. A descoberta fundamental é que, embora a IA esteja se tornando melhor em raciocinar, ela ainda precisa de um ambiente estruturado e guiado por especialistas para lidar com os processos rígidos e de múltiplas etapas exigidos pela ciência de alto nível. Ao combinar o poder de raciocínio da IA com a confiabilidade do conhecimento curado por humanos, os pesquisadores criaram um caminho para a descoberta científica totalmente autônoma no campo da ciência dos materiais.