一种知识图谱与大模型协同驱动的化工材料多智能体自主发现方法及系统

摘要: 本技术涉及智能体,具体涉及一种知识图谱与大模型协同驱动的化工材料多智能体自主发现方法及系统。背景技术:1、化工材料(如催化剂、电池电极材料、高分子聚合物、无机功...
一种知识图谱与大模型协同驱动的化工材料多智能体自主发现方法及系统

本技术涉及智能体,具体涉及一种知识图谱与大模型协同驱动的化工材料多智能体自主发现方法及系统。

背景技术:

1、化工材料(如催化剂、电池电极材料、高分子聚合物、无机功能粉体、合成树脂、合成橡胶、合成纤维等)的研发传统上依赖研究人员的经验与大量试错实验,周期长、成本高。近年来,随着大语言模型、知识图谱与自动化实验技术的发展,出现了以多智能体方式组织人工智能模型执行材料研发任务的技术路线。

2、例如,中国专利cn119005347b公开了一种多智能体驱动的机器人人工智能化学家系统,其设置任务管理智能体以及文献阅读、实验设计、机器操控、计算执行等功能智能体,由大模型驱动完成文献检索、实验方案设计与机器人执行的科研流程。美国专利公开us20260037573a1公开了假说形成、测试、细化与存储的通用框架;中国专利公开cn118861130a公开了基于引文网络检索增强并由多角色智能体评审、成对比较优选新知识的方法;中国专利公开cn116052787a公开了基于高斯过程回归的主动学习催化剂优化闭环。

3、然而,发明人经研究发现,上述现有技术至少存在以下技术问题:

4、其一,科学问题与假说的生成源缺乏因果推理结构,假说精准性差。现有系统的文献阅读智能体依赖通用文献检索与大模型的参数化知识,或以引文网络作为检索对象,均未从研发问题—解决方案—解决效果或合成参数—微观结构—宏观性能的因果推理链中提取结构化信息;通用向量检索增强生成只能返回语义相似的文本片段,无法回答哪些方案解决了哪些问题、效果如何、哪些环节存在缺口这类具有因果结构的问题,导致生成的科学假说相关性低、不可溯源、新颖性难以核验。

5、其二,研发流程存在先假说后验证的范式错位。现有系统普遍遵循提出假说、设计实验、验证假说的顺序;而材料研发的实际范式是:材料性能为硬指标,需先在工程上获得性能优良的材料,围绕该材料开展机理探究才有意义。先有假说、后有材料的流程使机理验证缺乏工程锚点,大量算力与实验资源消耗在性能平平甚至无法合成的对象上。

6、其三,知识随会话消失,失败经验无法结构化沉淀,系统能力不随迭代增长。研发过程中最有价值的知识,如失败的合成路线、不收敛的计算、被证伪的假说等负面结果,既不会进入公开文献,也不会进入系统自身的知识库,每一轮研发都从零开始。

7、其四,缺乏可合成性的前置判断。现有系统在获得候选配方后即直接进入计算筛选或实验执行,计算与实验资源被大量浪费在热力学不可行、前驱体不可得或违背已知合成禁忌的对象上。

8、其五,分析技能固化。数据分析依赖预置的固定函数或固定工具调用,分析方法与参数不随研发迭代更新,缺乏自进化机制。

9、其六,全流程不可追溯、结论难以复现。中间推理过程、数据产物与决策依据缺乏统一的版本化与审计机制,不满足科研结果可验证性的工程要求。

10、因此,如何提高大模型驱动的化工材料研发中科学问题与假说生成的精准性、因果性与可溯源性,使机理探究与工程优化按照材料研发的技术范式正确耦合并自动转化任务与回流知识,使研发知识跨会话结构化沉淀而系统能力随迭代递增,是当前亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种知识图谱与大模型协同驱动的化工材料多智能体自主发现方法来至少解决上述的一个技术问题。

2、本发明的一个方面,提供一种知识图谱与大模型协同驱动的化工材料多智能体自主发现方法,所述知识图谱与大模型协同驱动的化工材料多智能体自主发现方法包括:

3、步骤1:构建研发知识平台;

4、步骤2:获取待查询研发目标;

5、步骤3:根据所述待查询研发目标,对所述研发知识平台中的因果知识图谱执行结构化图查询并结合编译知识与可执行研究单元形成证据包,基于所述证据包生成并筛选得到满足预设筛选条件的科学假说集合;

6、步骤4:根据所述满足预设筛选条件的科学假说集合确定目标材料及候选配方,并在进入工程优化前对所述候选配方执行可合成性前置判定,仅将判定通过的候选配方组织为工程任务包;

7、步骤5:通过所述研发知识平台对所述工程任务包进行工程优化,迭代执行多个功能智能体直至满足预设优化终止条件,从而获取目标材料配方;

8、步骤6:围绕所述目标材料配方生成机理验证实验方案并执行实验数据分析,获得支持、相矛盾或无明确结论的证据片段及归因分析结果,并将所述证据片段和/或所述目标材料配方对应的实验数据与归因分析结果回写至所述研发知识平台;

9、步骤7:基于所述分析结果以及回写后的研发知识平台进行多阶段推理,对候选科学假说执行知识重复性检索及知识库内新颖性评估,从而获取经知识库内新颖性评估的科学假说集合。

10、作为一种实施方式,所述研发知识平台包括:静态图谱层、编译知识层、研究单元层、技能层、执行层以及多智能体框架,所述多智能体框架包括大语言模型与多个智能体;其中,

11、所述静态图谱层包括至少一个因果知识图谱,所述因果知识图谱包括多个节点和多条因果边,所述节点对应实体,所述因果边连接两个所述节点,所述因果边对应因果三元组,所述因果三元组包括原因实体、关系类型与结果实体,所述因果边携带置信度与文献溯源链;

12、所述编译知识层包括多个动态知识页,每个所述动态知识页包括知识内容、版本号与引用链,所述知识内容包括所述静态图谱层中的知识;

13、所述研究单元层包括多个可执行研究单元,每个所述可执行研究单元分别与至少一个所述静态图谱层中的实体相关联,所述可执行研究单元包括配方、合成路线、表征结果、性能数据与失败经验;

14、所述技能层包括技能库,所述技能库包括多个可执行技能单元,所述可执行技能单元包括输入规范、输出规范、验证规则与失败处理器;

15、所述执行层包括持久化计算内核与隔离沙箱,所述持久化计算内核与所述隔离沙箱用于执行所述技能层中的可执行技能单元,并对中间结果与产物进行版本化管理;

16、所述大语言模型用于为多个智能体提供推理能力,多个智能体用于调用所述技能层中的可执行技能单元并在所述执行层中执行。

17、作为一种实施方式,所述多个智能体包括并行子智能体、评审子智能体、调度智能体与多个功能智能体;

18、所述步骤3包括:

19、根据所述待查询研发目标,对所述静态图谱层执行结构化图查询,召回与所述待查询研发目标相关的因果推理链;

20、根据所述待查询研发目标,对所述编译知识层与所述研究单元层执行检索,召回与所述待查询研发目标相关的动态知识页与可执行研究单元,从而获取知识检索结果,所述知识检索结果包括与所述待查询研发目标相关的动态知识页与可执行研究单元;

21、将所述因果推理链与所述知识检索结果合并,得到所述待查询研发目标对应的证据包;

22、所述大语言模型根据所述证据包生成多个候选科学问题,得到候选科学问题集合,所述候选科学问题携带知识库内新颖性评分与文献溯源链;

23、将所述证据包划分为多个互不相同的证据子集,得到证据子集集合;

24、分别让各个所述并行子智能体基于各所述证据子集生成初始假说,得到初始假说集合;

25、通过所述评审子智能体对各所述初始假说执行交叉评审,得到评审结果,并根据所述评审结果迭代修正所述初始假说,得到扩展假说池;

26、对所述扩展假说池执行语义聚类去重,得到去重后的假说集合;

27、对所述去重后的假说集合执行成对比较排名,得到排名结果;

28、根据所述排名结果对排名靠前的假说执行进化操作,得到进化后的假说;

29、根据所述排名结果与所述进化后的假说,确定满足预设筛选条件的科学假说集合。

30、作为一种实施方式,所述步骤4包括:

31、根据所述满足预设筛选条件的科学假说集合确定目标材料;

32、根据所述目标材料确定候选配方;

33、对所述候选配方执行可合成性前置判定,所述可合成性前置判定包括:

34、从所述研究单元层和/或所述静态图谱层召回与所述目标材料相似的文献配方,得到相似文献配方集合,并获取所述相似文献配方的成功率证据链,得到文献证据判定结果;

35、根据所述目标材料的材料类型对所述候选配方执行物理约束校验,得到物理约束校验结果;

36、对所述候选配方的前驱体兼容性、禁忌组合与副反应进行筛查,得到专家规则筛查结果;

37、查询所述静态图谱层中的因果知识图谱,判断所述候选配方的合成参数、微观结构与宏观性能之间的因果方向是否与所述待查询研发目标一致,得到因果方向验证结果;

38、根据所述文献证据判定结果、所述物理约束校验结果、所述专家规则筛查结果与所述因果方向验证结果,按照预设可合成性判定规则确定所述候选配方的可合成性判定结果;其中,当所述物理约束校验结果表明违反材料体系的硬约束,或所述专家规则筛查结果表明命中禁忌组合时,将对应候选配方判定为不通过;对于未触发前述否决条件的候选配方,结合所述文献证据判定结果与所述因果方向验证结果进行综合判定,并将可合成性判定通过的候选配方组织为所述工程任务包。

39、作为一种实施方式,所述步骤5包括:

40、通过共享状态记录所述工程任务包、合成执行记录、预测结果与优化历史,所述共享状态随各所述功能智能体的执行结果持续更新;

41、所述调度智能体根据所述共享状态中的任务进度、数据完整度与中间结果,从多个所述功能智能体中确定下一个待调用的功能智能体,得到调度决策;并根据所述工程任务包所覆盖的研发环节,确定所调用功能智能体的组合,得到功能智能体组合方案;

42、所述工程优化内循环根据所述调度决策与所述功能智能体组合方案,迭代执行多个所述功能智能体直至满足预设终止条件,得到所述目标材料配方。

43、作为一种实施方式,所述步骤6包括:

44、根据所述目标材料配方,通过所述调度智能体从多个所述功能智能体中调用负责生成机理验证实验方案的功能智能体,生成机理验证实验方案;所述机理验证实验方案包括微观结构表征项目、宏观性能测试项目、对照样本设置以及数据采集规范;

45、通过所述执行层按照所述机理验证实验方案调用相应的可执行技能单元,对所采集的原始实验数据进行结构化解析,得到实验数据集;所述实验数据集包括组分与相结构数据、微观形貌数据、宏观性能数据以及与各项数据对应的实验条件元数据;

46、从所述研究单元层中召回与所述目标材料配方相关联的可执行研究单元,将所述实验数据集与所述可执行研究单元中的表征结果及性能数据进行对齐比对,得到数据对齐结果;

47、通过所述大语言模型根据所述机理验证实验方案与所述实验数据集调用所述技能层中的统计分析技能和/或机理分析技能,由所调用的可执行技能单元对所述实验数据集进行数值分析并输出分析证据;再由所述大语言模型结合所述分析证据与所述静态图谱层中的因果知识图谱执行路径一致性校验,判断所述目标材料配方的合成参数、微观结构与宏观性能之间的实际因果路径是否与所述工程任务包所预期的因果方向相一致,得到归因分析结果;

48、根据所述归因分析结果,识别与所述排名最高的科学假说列表中的科学假说相支持、相矛盾或无明确结论的证据片段;将所述证据片段及其文献溯源链回写至所述编译知识层,生成携带新版本号与引用链的新动态知识页;和/或,将所述目标材料配方的配方信息、合成执行记录、所述实验数据集与所述归因分析结果回写至所述研究单元层,形成携带成功率证据与失败经验标记的新增可执行研究单元,以供后续针对待查询研发目标进行假说生成与任务构建时召回使用;

49、汇总所述数据对齐结果与所述归因分析结果,生成所述分析结果;所述分析结果包括对所述满足预设筛选条件的科学假说集合的验证结论、偏差归因以及对所述科学假说列表的修正建议。

50、作为一种实施方式,所述步骤7包括:

51、基于所述分析结果,通过所述大语言模型对满足预设筛选条件的科学假说集合中的各科学假说进行证据融合推理,将所述归因分析结果中与各科学假说相支持、相矛盾或无明确结论的证据片段分别挂载至对应的科学假说,得到经证据标注的中间假说集合;

52、对所述中间假说集合中被挂载了相矛盾证据片段的科学假说,通过所述大语言模型结合所述静态图谱层中的因果知识图谱执行因果演绎推理,生成与所述偏差归因相对应的机理解释链,并得到修正后的因果候选关系;

53、通过所述并行子智能体基于所述经证据标注的中间假说集合与所述机理解释链生成衍生假说,得到扩展后的候选假说池;再通过所述评审子智能体对所述扩展后的候选假说池执行交叉评审与语义聚类去重,得到去重后的候选假说集合;

54、对所述去重后的候选假说集合中的各候选假说,分别在所述静态图谱层、所述编译知识层与所述研究单元层中执行知识重复性检索:在所述静态图谱层中检索是否存在与该候选假说相匹配的因果三元组,在所述编译知识层中检索是否存在与该候选假说语义重复的动态知识页,在所述研究单元层中检索是否存在与该候选假说相对应的可执行研究单元;根据三项检索结果评估该候选假说相对于所述研发知识平台已有知识的差异程度,得到携带知识库内新颖性评分与文献溯源链的待验证假说;

55、将通过知识库内新颖性评估的待验证假说按所述知识库内新颖性评分由高到低排序,得到所述经知识库内新颖性评估的科学假说集合;将未通过知识库内新颖性评估的候选假说标记为已有知识,并回写至所述编译知识层中对应的动态知识页。

56、作为一种实施方式,所述步骤1包括:

57、所述研发知识平台的构建包括静态图谱层的构建、编译知识层的构建、研究单元层的构建、技能层的构建、执行层的构建以及多智能体框架的构建;其中,

58、所述静态图谱层的构建包括:从公开文献、专利文献与历史实验记录中抽取化工材料领域的实体及因果关系三元组,构建所述因果知识图谱;为每条因果边标注初始置信度,并建立指向来源文献的文献溯源链;

59、所述编译知识层的构建包括:对所述因果知识图谱中的知识进行编译与版本化封装,生成多个所述动态知识页;每个动态知识页携带版本号与引用链,所述引用链指向所述静态图谱层中对应的节点或因果边;

60、所述研究单元层的构建包括:将历史研发项目中的配方、合成路线、表征结果、性能数据与失败经验进行结构化组织,并挂载至所述静态图谱层中对应的实体,形成多个所述可执行研究单元;

61、所述技能层的构建包括:将化工材料研发过程中的合成操作、表征测试与性能评价操作封装为多个所述可执行技能单元;每个所述可执行技能单元定义输入规范、输出规范、验证规则与失败处理器;

62、所述执行层的构建包括:部署所述持久化计算内核与所述隔离沙箱,并建立中间结果与产物的版本化管理机制;

63、所述多智能体框架的构建包括:基于所述大语言模型部署多个所述智能体,配置各所述智能体的调用接口与调度规则。

64、作为一种实施方式,所述步骤2包括:

65、接收用户输入的研发需求文本;

66、通过所述大语言模型对所述研发需求文本进行结构化解析,提取目标材料类型、目标性能指标与约束条件,生成结构化的研发目标表示;

67、在所述静态图谱层中执行实体链接与语义扩展,将所述研发目标表示中的目标材料类型与所述因果知识图谱中的对应节点进行匹配,并召回与所述对应节点通过因果边关联的相邻实体,得到语义扩展后的待查询研发目标;其中,所述待查询研发目标包括目标材料标识、目标性能指标、约束条件以及语义扩展得到的相关实体集合。

68、作为一种实施方式,所述知识图谱与大模型协同驱动的化工材料多智能体自主发现系统包括:

69、研发知识平台构建模块,所述研发知识平台构建模块用于构建研发知识平台;

70、待查询研发目标获取模块,所述待查询研发目标获取模块用于获取待查询研发目标;

71、科学假说列表获取模块,所述科学假说列表获取模块用于根据待查询研发目标在所述研发知识平台中进行数据调取,从而生成满足预设筛选条件的科学假说集合;

72、工程任务包获取模块,所述工程任务包获取模块用于根据满足预设筛选条件的科学假说集合在所述研发知识平台中进行任务构建,从而获取通过判定的工程任务包;

73、目标材料配方获取模块,所述目标材料配方获取模块用于通过所述研发知识平台对所述工程任务包进行工程优化,从而获取目标材料配方;

74、分析结果获取模块,所述分析结果获取模块用于根据所述研发知识平台对所述目标材料配方进行机理验证实验与数据分析,从而获取分析结果;

75、多阶段推理模块,所述多阶段推理模块用于通过所述研发知识平台对所述分析结果进行多阶段推理,从而获取经知识库内新颖性评估的科学假说集合。

76、与现有技术相比,本技术至少具有如下有益效果:

77、(1)本技术以因果知识图谱的结构化推理链作为科学问题与假说的生成源,而非语义相似的文本片段,结构化图查询可精确回答研发缺口类问题,且每条推理链携带文献溯源链,使得生成的科学问题与假说直接落在知识图谱所表征的研发缺口上,显著提高了假说生成的精准性、因果性与可溯源性。

78、(2)本技术通过科学发现外循环与工程优化内循环经工程任务包耦合迭代的双循环结构,使机理验证始终围绕已通过工程优化获得的目标材料配方展开,从流程结构上消除了先假说后验证的范式错位,避免在无工程价值的对象上消耗机理验证资源。

79、(3)本技术通过研发知识平台的六层架构承载闭环数据流,使每轮迭代产生的新假说、实验数据、分析结果与失败经验经回写而结构化沉淀至编译知识层与研究单元层,下一轮假说生成直接建立在沉淀知识之上,重复计算被编译记录消除,已知无效路径被负面结果排除,系统能力随迭代次数递增。

80、(4)本技术通过在任务构建入口设置可合成性前置判定,融合文献证据、物理约束、专家规则与因果方向验证四类异构证据,在消耗计算与实验资源之前提前拦截不可行对象,使计算与实验资源从盲目试错转向有据可依。

81、(5)本技术通过持久化计算内核与隔离沙箱对中间结果与产物进行版本化管理,配合文献溯源链的持续追加,实现全流程可追溯,使任意历史结论能够完整复现,满足科研结果可验证性的工程要求。