Проблема ручного моделирования
Грубозернистая (Coarse-Grained, CG) молекулярная динамика позволяет изучать полимеры на масштабах, недоступных для атомистических (All-Atom, AA) методов. Однако традиционный подход «снизу вверх» требует ручной настройки: для каждого типа полимера и выбранного уровня детализации (mapping) приходится заново выводить потенциалы взаимодействия. Это трудоемкий процесс, исключающий возможность быстрого перебора параметров.
Архитектура CGMas
Команда разработала CGMas — фреймворк, где LLM-агент выступает в роли «мозга». Пользователь задает задачу на естественном языке (название полимера и целевое разрешение), после чего система самостоятельно:
- Выводит топологию AA из названия полимера.
- Использует механизм самовосстановления (self-correction) для исправления физических ошибок, характерных для ненасыщенных полимеров, молекул с гетероатомами и полярных структур.
- Эквилибрирует систему, маппирует её на CG-представление и выводит потенциалы через инверсию Больцмана.
- Валидирует результат, сравнивая его с эталонной AA-моделью.
Результаты бенчмарков
Авторы протестировали CGMas на 27 задачах, включающих гомополимеры и сополимеры. Система успешно справилась со всеми кейсами. Ключевые метрики точности и производительности представлены ниже:
| Метрика | Результат CGMas | Значение |
|---|---|---|
| Точность плотности | Совпадение с AA в пределах 5% | Достигнуто в 22 из 27 тестов |
| Время симуляции | Сокращение с 38–88 мин до 1 мин | Ускорение в десятки раз |
| Успешность задач | 100% | 27 из 27 гомо- и сополимеров |
Значение для науки
Работа демонстрирует, что агентные LLM-системы могут стать стандартом для автоматизации вычислительной химии. CGMas устраняет «узкое горлышко» ручного конструирования моделей, позволяя исследователям фокусироваться на анализе данных, а не на подготовке симуляций. Это открывает путь к высокопроизводительному скринингу новых полимерных материалов.
Источник: arXiv cs.AI ↗