ChemGraph как агентная платформа для рабочих процессов вычислительной химии

ChemGraph as an agentic framework for computational chemistry workflows
Thang D. Pham, Aditya Tanikanti, Murat Keçeli, Thang D. Pham, Aditya Tanikanti
2026-01-08

ChemGraphагентная платформарабочие процессы вычислительной химиифундаментальные модели на основе графовых нейронных сетеймультиагентная платформа
Атомистическое моделирование имеет фундаментальное значение для химии и материаловедения, однако его проведение остается сложной задачей из-за необходимости специальных знаний на этапах настройки, выполнения и валидации расчетов. Мы представляем ChemGraph — агентную платформу на основе искусственного интеллекта и современных инструментов моделирования, предназначенную для упрощения и автоматизации рабочих процессов в вычислительной химии и материаловедении. ChemGraph использует базовые модели на основе графовых нейронных сетей для точных и одновременно вычислительно эффективных расчетов, а также большие языковые модели (LLM) для понимания естественного языка, планирования задач и научного рассуждения, обеспечивая интуитивно понятный интерактивный интерфейс. Мы оцениваем ChemGraph на 13 задачах-бенчмарках и показываем, что меньшие LLM (GPT-4o-mini, Claude-3.5-haiku, Qwen-2.5-14B) хорошо справляются с простыми рабочими процессами, тогда как для более сложных задач целесообразно использовать более крупные модели. Важно отметить, что декомпозиция сложных задач на небольшие подзадачи с помощью мультиагентной платформы позволяет GPT-4o достичь абсолютной точности, а меньшим LLM — сравняться с результатами одноагентной GPT-4o или превзойти их в этих бенчмарках.
1
В 13 тестовых задачах небольшие языковые модели хорошо справляются с простыми рабочими процессами, тогда как для сложных задач более эффективны крупные модели.
2
ChemGraph представляет агентную платформу, автоматизирующую рабочие процессы вычислительной химии и материаловедения с использованием ИИ и современных инструментов моделирования.
3
Разбиение сложных рабочих процессов на подзадачи в многоагентной архитектуре позволило GPT-4o достичь идеальной точности на тестах.
4
Фундаментальные модели на основе графовых нейронных сетей обеспечивают эффективные вычисления, а большие языковые модели отвечают за взаимодействие на естественном языке, планирование и научное рассуждение.
5
Многоагентный подход позволил небольшим языковым моделям достичь или превзойти производительность GPT-4o в одноагентном режиме на рассмотренных тестах.

Агентная платформа ChemGraph для рабочих процессов вычислительной химии и материаловедения

автоматизация, планирование задач, научное рассуждение и эффективность по результатам тестирования рабочих процессов атомистического моделирования с помощью ИИ

Publication Details
Publication Date
2026-01-08
Journal
Publisher
ISSN
Cited by
17
Access Type
Author Information
Authors
Thang D. Pham
Aditya Tanikanti
Murat Keçeli
Thang D. Pham
Aditya Tanikanti
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%