GraphAgents：知识图谱引导的跨领域材料设计Agentic AI

大语言模型（LLM）有望通过在不断扩展的科学版图上进行推理来加速发现。然而，挑战已不再是获取信息，而是以有意义的、跨越领域的方式将其连接起来。在材料科学中，创新要求整合从分子化学到力学性能的概念，这一点尤为突出。无论是人类还是单智能体LLM，都难以完全应对这种信息洪流，后者还常常容易出现幻觉。为解决这一瓶颈，我们提出一个由大规模知识图谱引导的多智能体框架，用于为全氟与多氟烷基物质（PFAS）——目前正受到严格监管审查的化学品——寻找可持续替代品。框架中的智能体分别专注于问题分解、证据检索、设计参数提取与图遍历，挖掘不同知识孤岛之间的潜在联系以支持假设生成。消融研究表明，完整的多智能体流水线优于单次提示，凸显了分布式专门化与关系推理的价值。我们证明，通过定制图遍历策略，系统可在聚焦领域关键结果的利用型搜索与浮现新兴交叉联系的探索型搜索之间交替。以生物医用管材为例进行演示，该框架生成了在摩擦学性能、热稳定性、耐化学性与生物相容性之间取得平衡的可持续无PFAS替代方案。本工作建立了一个将知识图谱与多智能体推理相结合以扩展材料设计空间的框架，并展示了若干初始设计候选以演示该方法。