面向领先级系统上高通量材料筛选的多智能体编排

人工智能（AI）与高性能计算（HPC）的融合，正在把科学工作流从人工指导的流水线转变为能够自主决策的自适应系统。大语言模型（LLM）在自主工作流中扮演关键角色；然而，大规模部署基于LLM的智能体仍是一项重大挑战。在执行大规模仿真任务时，单智能体架构与顺序工具调用往往成为串行化瓶颈，无法利用百亿亿次（exascale）资源的海量并行能力。为解决这一问题，我们提出一个可扩展的分层多智能体框架，用于编排高通量筛选任务。我们的规划器-执行器架构采用一个中央规划智能体动态划分工作负载，并将子任务分配给一群并行的执行器智能体。所有执行器智能体都与一个共享的模型上下文协议（MCP）服务器对接，后者通过Parsl工作流引擎编排任务。为演示该框架，我们采用开放权重的gpt-oss-120b模型，编排了面向大气取水用途的Computation-Ready Experimental（CoRE）金属有机框架（MOF）数据库的高通量筛选。结果表明，所提出的智能体框架能够在Aurora超级计算机上高效、可扩展地执行，编排开销低且任务完成率高。这项工作为HPC系统上由LLM驱动的科学自动化确立了一个灵活范式，对材料发现及更广泛领域具有普适适用性。