Прискорення відкриття матеріалів за допомогою мереж мультиагентного штучного інтелекту
Microsoft використала мережу агентних систем ШІ для моделювання та відкриття нових матеріалів, суттєво скоротивши простір пошуку. Розділивши хімічну перевірку, моделювання та аналіз безпеки, вони підтвердили користь агентів.
Чому це важливо
Ви можете моделювати складні багатоетапні процеси обробки даних, розділяючи завдання валідації, очищення та форматування між мікроагентами.
TL;DR
- 01Розбивайте великі конвеєри даних на окремі ролі агентів генерації та валідації
- 02Застосовуйте суворі JSON-схеми на кожному етапі для запобігання пошкодженню даних між агентами
- 03Інтегруйте детерміновані інструменти обчислень для розвантаження логічного мислення моделей
Хоча багато розробників бачать у великих мовних моделях лише автодоповнення коду, великі дослідницькі компанії доводять, що координовані агентні системи здатні вирішувати складні наукові завдання. Microsoft продемонструвала прорив у відкритті нових фізичних матеріалів за допомогою мережі спеціалізованих агентів ШІ. Ця система обробила хімічні структури, дослідження яких традиційно потребувало б десятиліть лабораторної роботи.
Система використовувала серію спеціалізованих моделей для аналізу та моделювання мільйонів потенційних кандидатів для квантових матеріалів. Замість запуска однієї важкої моделі з величезним промптом, Microsoft побудувала дослідницький процес у вигляді мережі автономних агентів, кожен з яких відповідав за окреме обмеження валідації.
Під капотом система працювала через послідовність спеціалізованих агентів LLM та детермінованих вузлів симулятора. Спочатку агент генерації пропонував атомні структури. Потім агенти симуляції запускали фізичні рівняння для розрахунку стабільності матеріалу. Одночасно агенти безпеки та синтезу аналізували потенційну токсичність і можливість виробництва. Завдяки паралельному виконанню та обміну даними система відсіювала нежиттєздатні варіанти на ранніх етапах, скорочуючи обсяг обчислень на кілька порядків.
Для розробників, які створюють додатки з інтенсивним використанням даних, цей мультиагентний патерн є дуже корисним. Якщо ви будуєте інструмент, який збирає, очищує, аналізує та форматує складні фінансові дані, не намагайтеся змусити одну LLM робити все. Створіть конвеєр з окремих агентів: одного для парсингу, другого для валідації за правилами бази даних, третього для генерації чистих API-схем.
Основним застереженням є те, що створення таких складних топологій потребує серйозного моніторингу та інфраструктури. Якщо один агент припуститься помилки або поверне некоректний JSON, це може зупинити весь процес, вимагаючи складного обробника помилок та логіки повторних спроб.
Платформа відкриття матеріалів від Microsoft доводить, що майбутнє складних обчислень лежить у структурованих мультиагентних мережах, які розподіляють когнітивні завдання між спеціалізованими вузлами.