Проблема «черного ящика» в науке
Долгосрочные кампании молекулярного моделирования требуют непрерывного контроля, но использование LLM для каждого шага создает риски: непредсказуемость, отсутствие прослеживаемости (provenance) и невозможность точного воспроизведения результатов. Команда во главе с Ицзе Ваном (Yijie Wang) предложила архитектуру Agent-MD, которая разделяет рутину и интеллектуальный анализ.
Архитектура: Гибридный подход
Система использует два уровня управления:
- Rule-based Agent (Постоянный агент): Выполняет рутинные операции — запуск симуляций, анализ, архивирование и переход между состояниями. Работает на основе утвержденных политик и явных записей состояния.
- LLM Intervention (Выборочное вмешательство): Большие языковые модели подключаются только для построения кампании и обработки событий, требующих интерпретации, которые невозможно решить жесткими правилами.
Эксперимент: GCMC-MD с монтмориллонитом
Для проверки методологии был проведен эксперимент по десорбции водяного пара с использованием ансамбля Grand Canonical Monte Carlo и молекулярной динамики (GCMC-MD). Исследовались пять систем монтмориллонита при трех последовательных состояниях относительной влажности (RH).
| Параметр | Значение / Описание |
|---|---|
| Объект исследования | 5 систем монтмориллонита (содержащие Ca, Na, K) |
| Условия влажности (RH) | Три последовательных состояния: 0.9 → 0.3 → 0.1 |
| Всего состояний | 15 (5 систем × 3 уровня влажности) |
| Количество циклов | 120 сегментированных циклов симуляции |
| Роль LLM | 1 случай перехода к границе обзора; 2 инцидента оценены через «слепую» перезапись |
Ключевые научные результаты
Помимо отладки системы, Agent-MD позволил выявить физически значимые закономерности, которые были бы упущены при упрощенном моделировании:
- Кальциевый монтмориллонит: Сохраняет больше межслоевой воды и поддерживает большее базальное расстояние при низкой влажности по сравнению с натриевыми и калиевыми аналогами.
- Натриевые системы: Система с наибольшим зарядом сохранила больше остаточной воды даже в сухих условиях.
Почему это важно
Agent-MD доказывает, что долгосрочные научные рабочие процессы не обязаны помещать каждую операцию в цикл рассуждений LLM. Комбинация детерминированного выполнения, структурированных доказательств и валидированных передач управления обеспечивает воспроизводимость и аудируемость, что является критическим требованием для публикации и верификации в материаловедении.
Источник: arXiv cs.AI ↗