論文の概要: GraphAgents: Knowledge Graph-Guided Agentic AI for Cross-Domain Materials Design

• arxiv url: http://arxiv.org/abs/2602.07491v1
• Date: Sat, 07 Feb 2026 10:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.648669
• Title: GraphAgents: Knowledge Graph-Guided Agentic AI for Cross-Domain Materials Design
• Title（参考訳）: GraphAgents: クロスドメイン材料設計のための知識グラフガイドエージェントAI
• Authors: Isabella A. Stewart, Tarjei Paule Hage, Yu-Chuan Hsu, Markus J. Buehler,
• Abstract要約: 大型言語モデル (LLMs) は、科学的な視野を広げることで発見を加速することを約束する。 材料科学では、革新が分子化学から機械的性能までの概念を統合することを要求するが、これは特に急激である。 本稿では,PFAS(per-およびpolyfluoroalkyl substances)-chemicalsの持続可能な代替品を見つけるために,大規模知識グラフでガイドされたマルチエージェントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9332987715848714
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Models (LLMs) promise to accelerate discovery by reasoning across the expanding scientific landscape. Yet, the challenge is no longer access to information but connecting it in meaningful, domain-spanning ways. In materials science, where innovation demands integrating concepts from molecular chemistry to mechanical performance, this is especially acute. Neither humans nor single-agent LLMs can fully contend with this torrent of information, with the latter often prone to hallucinations. To address this bottleneck, we introduce a multi-agent framework guided by large-scale knowledge graphs to find sustainable substitutes for per- and polyfluoroalkyl substances (PFAS)-chemicals currently under intense regulatory scrutiny. Agents in the framework specialize in problem decomposition, evidence retrieval, design parameter extraction, and graph traversal, uncovering latent connections across distinct knowledge pockets to support hypothesis generation. Ablation studies show that the full multi-agent pipeline outperforms single-shot prompting, underscoring the value of distributed specialization and relational reasoning. We demonstrate that by tailoring graph traversal strategies, the system alternates between exploitative searches focusing on domain-critical outcomes and exploratory searches surfacing emergent cross-connections. Illustrated through the exemplar of biomedical tubing, the framework generates sustainable PFAS-free alternatives that balance tribological performance, thermal stability, chemical resistance, and biocompatibility. This work establishes a framework combining knowledge graphs with multi-agent reasoning to expand the materials design space, showcasing several initial design candidates to demonstrate the approach.
• Abstract（参考訳）: 大型言語モデル (LLMs) は、科学的な視野を広げることで発見を加速することを約束する。 しかし、課題は情報へのアクセスではなく、意味のある、ドメインを拡大する方法で接続することだ。 材料科学では、革新が分子化学から機械的性能までの概念を統合することを要求するが、これは特に急激である。 人間もシングルエージェントのLSMも、この情報のトレントと完全に競合することはできず、後者は幻覚に陥ることが多い。 このボトルネックに対処するため,我々は大規模知識グラフでガイドされたマルチエージェント・フレームワークを導入し,現在厳しい規制監視下にあるPFAS(per- and polyfluoroalkyl substances)-ケミカルの持続可能な代替品を探索する。 このフレームワークのエージェントは、問題分解、エビデンス検索、設計パラメータ抽出、グラフトラバーサルを専門とし、仮説生成をサポートするために異なる知識ポケットにまたがる遅延接続を明らかにする。 アブレーション研究では、完全なマルチエージェントパイプラインがシングルショットプロンプトよりも優れており、分散特殊化とリレーショナル推論の価値が強調されている。 グラフトラバース戦略を調整することにより、ドメインクリティカルな結果に焦点をあてたエクスプロイト探索と、創発的相互接続を呈する探索探索とを交互に行うことを示した。 バイオメディカルチューリングの先駆けとして、このフレームワークは、トライボロジー性能、熱安定性、化学抵抗、生体適合性のバランスをとる持続可能なPFASのない代替品を生成する。 この研究は、知識グラフとマルチエージェント推論を組み合わせて材料設計空間を拡大する枠組みを確立し、いくつかの初期設計候補を示し、アプローチを実証する。

関連論文リスト

• Cross-Disciplinary Knowledge Retrieval and Synthesis: A Compound AI Architecture for Scientific Discovery [1.5143261755366868]
  BioSageは、LLMをRAGと統合した新しい複合AIアーキテクチャで、AI、データサイエンス、バイオメディカル、バイオセキュリティドメインにわたる発見を可能にするために、特殊なエージェントとツールを編成した。 本システムでは,クエリ計画と応答合成を備えた検索エージェントを含む,複数の特殊エージェントを特徴とし,引用支援型応答を持つドメイン間の知識検索を実現する。 我々の研究は、チャート、表、構造化された科学データに対するマルチモーダル検索と推論に重点を置いており、また、クロスディシプリナ発見のための総合的なマルチモーダルベンチマークも開発している。
  論文  参考訳（メタデータ） (2025-11-23T05:33:11Z)
• Knowledge-Augmented Long-CoT Generation for Complex Biomolecular Reasoning [51.673503054645415]
  生体分子機構は、分子間相互作用、シグナルカスケード、代謝経路の多段階的推論を必要とする。 既存のアプローチはしばしばこれらの問題を悪化させる: 推論ステップは生物学的事実から逸脱したり、長い機械的依存関係を捉えるのに失敗する。 本稿では,LLMと知識グラフに基づくマルチホップ推論チェーンを統合したLong-CoT推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T09:26:32Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• A Framework for Analyzing Abnormal Emergence in Service Ecosystems Through LLM-based Agent Intention Mining [18.607974352313832]
  本稿では,マルチエージェント・インテンション(EAMI)に基づく創発分析の枠組みを紹介する。 EAMIは動的かつ解釈可能な出現分析を可能にする。 複合オンラインオフライン(O2O)サービスシステムにおけるEAMIを検証する実験。
  論文  参考訳（メタデータ） (2025-07-21T16:26:49Z)
• GUARDIAN: Safeguarding LLM Multi-Agent Collaborations with Temporal Graph Modeling [5.798273384241793]
  大規模言語モデル (LLM) は、複雑な対話や多ターン対話を行えるインテリジェントエージェントの開発を可能にする。 GUARDIANは、GUARDing Intelligent Agent ColllaboratioNsにおいて、複数の安全上の懸念を検出し緩和する方法である。
  論文  参考訳（メタデータ） (2025-05-25T17:15:55Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions [0.0]
  そこで本研究では,戦略的サンプリングを通じて原因・影響関係を識別する能動的学習手法を提案する。 この方法は、より大きな化学空間の最も多くの情報を符号化できるデータセットの最小サブセットを特定する。 その後、同定された因果関係を利用して体系的な介入を行い、モデルがこれまで遭遇していなかった化学空間における設計タスクを最適化する。
  論文  参考訳（メタデータ） (2024-04-05T17:15:48Z)
• Diffusion Model with Cross Attention as an Inductive Bias for Disentanglement [58.9768112704998]
  遠方表現学習は、観測データ内の本質的要因を抽出する試みである。 我々は新しい視点と枠組みを導入し、クロスアテンションを持つ拡散モデルが強力な帰納バイアスとなることを示す。 これは、複雑な設計を必要とせず、クロスアテンションを持つ拡散モデルの強力な解離能力を明らかにする最初の研究である。
  論文  参考訳（メタデータ） (2024-02-15T05:07:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。