LLM Agents for Knowledge Discovery in Atomic Layer Processing
Andreas Werbrouck, Marshall B. Lindsay, Matthew Maschmann, Matthias J. Young
大型语言模型(LLM)已经引起了几年的高度重视。 最近,他们作为独立推理代理的使用被提出。 在这项工作中,我们测试了这种药剂在材料科学中知识发现的潜力。 我们重新利用LangGraph的工具功能,为代理商提供黑匣子功能来审问。 与过程优化或执行特定的用户定义的任务相反,知识发现包括自由探索系统,摆姿势和验证有关此黑匣子行为的陈述,其唯一目的是生成和验证可推广语句。 我们通过儿童客厅游戏为这种方法提供概念证明,证明了试错和在知识发现中持久性的作用,以及结果的强烈路径依赖性。 然后,我们采用相同的策略来表明LLM剂可以在使用故意有限的探针功能进行高级原子层处理反应器模拟中探索,发现和利用不同的化学相互作用,而无需明确的指示。
Large Language Models (LLMs) have garnered significant attention for several years now. Recently, their use as independently reasoning agents has been proposed. In this work, we test the potential of such agents for knowledge discovery in materials science. We repurpose LangGraph's tool functionality to supply agents with a black box function to interrogate. In contrast to process optimization or performing specific, user-defined tasks, knowledge discovery consists of freely exploring the system...
