SciAgents

通过多智能体智能图推理实现科学发现自动化

A. Ghafarollahi, M.J. Buehler*

麻省理工学院

*mbuehler@MIT.EDU

摘要

人工智能领域的一个关键挑战是构建能够自主推进科学理解的系统，这些系统可以通过探索新领域、识别复杂模式以及在海量科学数据中发现此前未被察觉的关联来实现这一目标。在本工作中，我们提出了SciAgents方法，该方法基于三个核心概念：(1) 利用大规模本体知识图谱来组织和连接多样化的科学概念；(2) 一套大型语言模型（LLMs）和数据检索工具；以及 (3) 具有原位学习能力的多智能体系统。将SciAgents应用于生物启发材料研究时，它揭示了此前被认为毫不相关的跨学科关系，其规模、精度和探索能力均超越了传统的人工驱动研究方法。该框架能够自主生成并优化研究假设，阐明潜在机制、设计原则以及意想不到的材料特性。通过以模块化方式整合这些能力，该智能系统不仅能够产生材料发现成果，还能对现有假设进行批判性评估与改进，检索关于现有研究的最新数据，并突出其优势与局限性。我们的案例研究表明，该框架具备可扩展性，能够将生成式AI、本体论表示和多智能体建模相结合，从而利用类似于生物系统的“智能集群”效应。这为材料发现开辟了新的途径，并通过挖掘自然的设计原理加速先进材料的研发。

图1. 此处开发的多智能体图推理系统概览
面板a：如[M.J. Buehler等，2024]所报道的图谱构建概述[链接]。图示展示了从科学论文作为数据源到图谱构建的过程，右侧图像为图谱的放大视图。
面板b和c：呈现了两种不同的方法。在b中，基于预编程的智能体交互序列的多智能体系统确保了一致性和可靠性。而在c中，一个完全自动化的灵活多智能体框架则能动态适应不断变化的研究背景。这两种系统都利用全局知识图谱中的采样路径作为上下文，以指导研究思路的生成过程。每个智能体都扮演着特定角色：本体论专家定义关键概念和关系，科学家1制定详细的研究方案，科学家2进一步扩展和细化该方案，批评者智能体则进行全面审查并提出改进建议。在第二种方法中，规划者负责制定详细计划，而助理则会检查生成的研究假设是否具有新颖性。 这种协作框架能够生成创新且全面的科学假设，其范围超越了传统的手工研究方法。

图2：我们多智能体模型的结果，以“丝绸”和“能源密集型”这两个关键词相连的知识图谱为例，展示了一个全新的研究假设。此可视化概览表明，该系统能够生成内容详尽、结构清晰的研究文档，包含多页文字（此处示例共有8,100字）。

代码

本仓库包含用于在生物启发材料领域生成全新研究思路的代码。

Notebooks目录下的笔记本文件SciAgents_ScienceDiscovery_GraphReasoning_non-automated.ipynb和SciAgents_ScienceDiscovery_GraphReasoning_automated.ipynb分别对应于非自动化和自动化多智能体框架，具体说明见附带论文。

自动化多智能体模型采用AG2（前身为AutoGen）实现，这是一个用于基于智能体的AI建模的开源生态系统。该项目也被收录于Build with AG2，您可以在那里查看更多使用AG2构建的项目。

音频文件生成（播客风格、讲座、摘要等）

请参阅：lamm-mit/PDF2Audio，或使用Hugging Face Spaces上的版本lamm-mit/PDF2Audio。

示例

https://github.com/user-attachments/assets/d5a972f8-5308-4e42-b7dc-d68ba84e2140

要求

您需要按照以下说明安装GraphReasoning软件包。此外，运行代码还需要(a) OpenAI和(b) Semantic Scholar的API。

Graph Reasoning安装

直接从GitHub安装：

pip install git+https://github.com/lamm-mit/GraphReasoning

或者以可编辑模式安装：

pip install -e git+https://github.com/lamm-mit/GraphReasoning.git#egg=GraphReasoning

您可能还需要wkhtmltopdf：

sudo apt-get install wkhtmltopdf

图文件：

from huggingface_hub import hf_hub_download   
graph_name='large_graph_simple_giant.graphml'
filename = f"{graph_name}"
file_path = hf_hub_download(repo_id='lamm-mit/bio-graph-1K', filename=filename,  local_dir='./graph_giant_component')

嵌入：

from huggingface_hub import hf_hub_download
embedding_name='embeddings_simple_giant_ge-large-en-v1.5.pkl'
filename = f"{embedding_name}"
file_path = hf_hub_download(repo_id='lamm-mit/bio-graph-1K', filename=filename,  local_dir='./graph_giant_component')

补充背景信息

图3. 从初始关键词选择到最终文档的全流程概览，采用层次化扩展策略：答案被逐步细化和完善，并结合检索到的数据加以丰富；通过识别、批判性建模、仿真和实验任务对其进行评估与修正。该流程始于图谱中的初始关键词识别或随机探索，随后通过路径采样构建相关概念与关系的子图。此子图成为生成JSON结构化输出的基础，内容涵盖假设、预期结果、作用机制、设计原则、意外特性、对比分析及创新性等。每个组成部分随后通过单独提示进一步扩展，以获得大量补充细节，从而形成一份全面的初稿。接下来，初稿将进入批判性评审阶段，包括针对建模与仿真优先级（如分子动力学）以及实验优先级（如合成生物学）的修改。最终，整合后的完整初稿连同关键分析结果，将生成一份指导后续科学研究的文档。

图4. SciAgents提出了一种生成式材料信息学框架，展示了由输入数据、问题和上下文驱动的迭代构思与推理过程。这一构思与推理循环可得出预测性结果，为新材料的设计与性能提供洞见。边上的可视化元素代表多种数据模态，如图像、文档、科学数据、DNA序列、视频内容和显微镜图像，体现了流入该过程的多样化信息来源。

图5. 本体知识图的可视化展示（左：全图，右：子图），用于组织信息。

原始论文

请按以下方式引用本研究：

@article{ghafarollahi2024sciagents,
  title={SciAgents：基于生物启发式多智能体智能图推理的科学发现自动化},
  author={Ghafarollahi, Alireza and Buehler, Markus J},
  journal={Advanced Materials},
  pages={2413523},
  year={2024},
  publisher={Wiley Online Library}
}

@article{buehler2024graphreasoning,
	author={Markus J. Buehler},
	title={利用生成式知识抽取、基于图的表示及多模态智能图推理加速科学发现},
	journal={Machine Learning: Science and Technology},
	year={2024},
	url={http://iopscience.iop.org/article/10.1088/2632-2153/ad7228},
}

SciAgentsDiscovery 快速上手指南

SciAgents 是一个基于多智能体（Multi-Agent）和本体知识图谱的自动化科学发现框架。它利用大语言模型和图推理技术，在生物启发材料等领域自主生成研究假设、揭示跨学科联系并优化设计方案。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：推荐 Linux (Ubuntu/Debian) 或 macOS。Windows 用户建议使用 WSL2。
• Python 版本：Python 3.8 或更高版本。
• API 密钥：
  • OpenAI API Key：用于驱动大语言模型智能体。
  • Semantic Scholar API：用于检索最新的科学文献数据（通常免费，但需注意调用频率限制）。
• 系统依赖：需要安装 wkhtmltopdf 用于生成报告文档。
  • Ubuntu/Debian: sudo apt-get install wkhtmltopdf
  • macOS (Homebrew): brew install wkhtmltopdf

安装步骤

1. 安装核心依赖包

直接从 GitHub 安装 GraphReasoning 包。国内开发者若遇到连接超时，可尝试配置终端代理或使用镜像加速工具。

pip install git+https://github.com/lamm-mit/GraphReasoning

如需进行二次开发，可使用可编辑模式安装：

pip install -e git+https://github.com/lamm-mit/GraphReasoning.git#egg=GraphReasoning

2. 下载知识图谱与嵌入文件

本项目需要从 Hugging Face 下载大型本体知识图谱和向量嵌入文件。

注意：国内访问 Hugging Face 可能较慢，建议设置镜像环境变量：

export HF_ENDPOINT=https://hf-mirror.com

然后运行以下 Python 代码下载文件（建议在项目根目录创建脚本运行）：

from huggingface_hub import hf_hub_download   

# 下载知识图谱文件
graph_name = 'large_graph_simple_giant.graphml'
file_path = hf_hub_download(
    repo_id='lamm-mit/bio-graph-1K', 
    filename=graph_name,  
    local_dir='./graph_giant_component'
)

# 下载嵌入文件
embedding_name = 'embeddings_simple_giant_ge-large-en-v1.5.pkl'
file_path = hf_hub_download(
    repo_id='lamm-mit/bio-graph-1K', 
    filename=embedding_name,  
    local_dir='./graph_giant_component'
)

基本使用

安装完成后，您可以通过运行提供的 Jupyter Notebook 来启动科学发现流程。项目提供了两种模式：

1. 非自动化模式 (non-automated)：基于预设的智能体交互序列，适合逐步调试和理解流程。
2. 自动化模式 (automated)：基于 AG2 (原 AutoGen) 框架，智能体动态协作，全自动生成假设。

运行示例

进入 Notebooks 目录，启动 Jupyter Lab 或 Notebook：

jupyter lab

在界面中选择对应的笔记本文件：

• 手动/半自动流程：打开 SciAgents_ScienceDiscovery_GraphReasoning_non-automated.ipynb
• 全自动多智能体流程：打开 SciAgents_ScienceDiscovery_GraphReasoning_automated.ipynb

配置 API 密钥

在运行 Notebook 之前，请在代码单元格中设置您的环境变量（或在终端中预先导出）：

import os
os.environ["OPENAI_API_KEY"] = "your-openai-api-key-here"
# Semantic Scholar 通常无需密钥，如有特殊需求请在此处配置

输出结果

运行完成后，系统将生成一份详细的研究报告（JSON 格式及扩展文本），包含：

• 新颖的研究假设
• 潜在机制与设计原理
• 预期材料与意外属性
• 批判性分析与改进建议

提示：自动化模式依赖于 AG2 生态，首次运行时可能会自动拉取相关的 Agent 配置。整个过程模拟了“本体学家”、“科学家”和“评论家”等多个角色的协作，可能需要数分钟至数十分钟不等，具体取决于网络速度和模型响应时间。