Lang2MLIP：端到端语言到机器学习原子间潜力开发与自主代理工作流程

为复杂材料系统开发机器学习原子间势（MLIP）仍然具有挑战性，因为它需要原子模拟、机器学习和工作流程设计以及迭代主动学习程序方面的专业知识。现有的自动化管道通常采用固定的阶段顺序或依赖于领域专家，这限制了它们对预先未知最佳课程的异构材料系统的适应性。为了降低非专家开发 MLIP 的障碍，我们提出了 Lang2MLIP，这是一种多智能体框架，它采用自然语言输入并将端到端 MLIP 开发制定为由 大语言模型 (LLM) 解决的顺序决策问题。在每一步中，决策代理都会观察当前的数据集、模型、评估结果和执行日志，然后自动选择适当的操作来改进模型。这消除了对预定义管道的需要，并使代理能够在出现新故障时通过重新访问早期子系统来进行自我纠正。我们在具有多个组件和接口的固体电解质界面（SEI）系统上评估了这种方法。这些结果表明，基于 LLM 的多智能体系统是自动化 MLIP 开发并使非专家更容易使用的有前途的方向。