原子模拟的自主编排

# 无标题文档
来源：https://arxiv.org/html/2607.22596
![[未带标题图片]](https://arxiv.org/html/2607.22596v1/x4.png)原子尺度模拟的智能体编排
Rahul Somasundaram,a†Adela Habib,aKhanh Dang,aSachin Shivakumar,aRyley G. Hill,aGolo Wimmer,aAvanish Mishra,aAleksandra Pachalieva,aArthur Lui,aHari Viswanathan,aMichael Grosskopf,aSaryu Fensin,aRussell Bent,aNathan DeBardeleben,aand Earl Lawrencea
![[未带标题图片]](https://arxiv.org/html/2607.22596v1/x5.png)原子尺度模拟是材料设计的核心，但其执行涉及复杂、多步骤的工作流程，需要大量的人类专业知识。本文中，我们提出一个嵌入在URSA（通用研究与科学智能体）框架中的基于智能体的系统，该系统能够自动化原子尺度模拟的设计、执行和验证，并通过大规模原子/分子并行模拟器（LAMMPS）工具进行演示。我们的系统能够自主选择原子间势函数，构建并运行模拟，并在闭环工作流中执行迭代错误恢复。我们通过将其输出与LAVA（一个用于LAMMPS和维也纳第一性原理模拟包(VASP)计算的高通量工具包）进行基准测试，来评估智能体的科学可靠性。我们的框架减少了人工干预和试错，从而提高了原子尺度建模的严谨性、可复现性和可扩展性。
††footnotetext:aLos Alamos National Laboratory, Los Alamos, NM, USA††footnotetext:†Email: [email protected]
## 1 引言

原子尺度模拟，如分子动力学（MD），通过实现对材料特性的预测性建模，在现代材料科学中扮演着关键角色27 (https://arxiv.org/html/2607.22596#bib.bib3)。在现有工具中，大规模原子/分子并行模拟器（LAMMPS）25 (https://arxiv.org/html/2607.22596#bib.bib4)因其灵活性和可扩展性而成为一个广泛使用的平台。然而，有效使用LAMMPS仍然是一项非平凡的任务：即使是常规模拟也需要仔细选择原子间势函数、构建输入脚本、参数调整、执行管理以及结果后处理21 (https://arxiv.org/html/2607.22596#bib.bib26),4 (https://arxiv.org/html/2607.22596#bib.bib5)。这些步骤通常需要大量的领域专业知识，并且涉及迭代试错，限制了计算材料研究的可访问性、可复现性和可扩展性。

近年来，大型语言模型（LLMs）19 (https://arxiv.org/html/2607.22596#bib.bib6)、科学基础模型2 (https://arxiv.org/html/2607.22596#bib.bib28),12 (https://arxiv.org/html/2607.22596#bib.bib29),23 (https://arxiv.org/html/2607.22596#bib.bib7),22 (https://arxiv.org/html/2607.22596#bib.bib8)以及基于智能体的系统16 (https://arxiv.org/html/2607.22596#bib.bib30),32 (https://arxiv.org/html/2607.22596#bib.bib9),8 (https://arxiv.org/html/2607.22596#bib.bib31),7 (https://arxiv.org/html/2607.22596#bib.bib32),24 (https://arxiv.org/html/2607.22596#bib.bib33),9 (https://arxiv.org/html/2607.22596#bib.bib10)为自动化复杂科学工作流提供了一条有前景的途径。为此，通用研究与科学智能体（URSA）框架9 (https://arxiv.org/html/2607.22596#bib.bib10)被开发出来，该框架以其高度模块化和可组合的智能体系统而著称，这些智能体致力于自主规划、假设和执行计算任务。然而，对于像原子尺度模拟这样复杂的工作流，一个在URSA自主特性之上提供紧密结构编排层的系统是非常理想的。在本文中，我们提出了这样一个在URSA生态系统内自动化LAMMPS模拟的智能体框架。我们的系统旨在自主管理MD模拟的完整生命周期，包括但不限于原子间势函数选择、输入脚本生成、执行、错误恢复以及后处理。

### 1.1 相关工作

通过基于LLM的智能体自动化原子尺度模拟此前已在文献中有所研究。材料建模方面值得注意的例子包括AtomAgents6 (https://arxiv.org/html/2607.22596#bib.bib11)和参考文献28 (https://arxiv.org/html/2607.22596#bib.bib1)中的多智能体AI框架。这两项工作都强调多个智能体之间的协作，其中每个智能体在特定领域拥有专长。例如，AtomAgents专注于一个基于多模态GPT-4的智能体系统，其中每个智能体在明确定义的角色内操作，例如提出解决用户指定问题的计划、在材料科学领域生成假设、批评计划等。在AtomAgents框架中，所有原子尺度模拟均使用人类编写的LAMMPS脚本执行。参考文献28 (https://arxiv.org/html/2607.22596#bib.bib1)扩展了这种多智能体方法，采用了高度专业化的智能体，用于诸如材料弹性常数计算、熔化温度、声子色散等任务。该工作还提出了能够从互联网下载原子间势函数、编写LAMMPS脚本、可视化等的智能体。

另一个值得注意的例子是MDCrow3 (https://arxiv.org/html/2607.22596#bib.bib12)，专为自动化生物分子MD工作流而开发。此外，诸如El Agente33 (https://arxiv.org/html/2607.22596#bib.bib13)和DREAMS30 (https://arxiv.org/html/2607.22596#bib.bib14)等框架为DFT模拟提供了类似的基于智能体的自动化。显然，这些论文展示了智能体AI系统在复杂科学任务（如材料建模）中日益重要的作用。我们的工作通过精炼某些关键方面，进一步促进了这一快速发展的研究领域。

参考图注
图1：我们的MD智能体工作流架构
### 1.2 贡献

- •在我们的工作中，我们展示了完整的MD工作流可以由单个智能体端到端执行，从选择/下载原子间势函数开始，到成功执行LAMMPS结束。因此，我们显著降低了编排开销，例如，避免了智能体之间的交接31 (https://arxiv.org/html/2607.22596#bib.bib15)。这个单一的智能体是我们工作的核心，在下文中被称为我们的LAMMPS智能体（或等效地，我们的MD智能体）。
- •在我们的LAMMPS智能体中，原子间势函数的选择和下载被构建并运作成一个人类可复现的检索与排序循环。
- •我们的LAMMPS智能体可以在两种模式下操作：一种是最简模式，其中智能体展现出相对更多的自主性，适合没有MD专业知识的用户；另一种是“专家模式”，其中智能体根据专家用户的输入（LAMMPS模板、专门提示、所需势函数等）进行工作。
- •我们的单一智能体框架允许轻松地纳入人在回路中。例如，人类可以中断LAMMPS智能体的工作流，并用不同的原子间势函数重新启动它，覆盖智能体的选择。
- •最后，虽然整个MD工作流由一个核心LAMMPS智能体完成，但该智能体可以选择性地与URSA生态系统中的其他智能体（不特定于MD）进行交互。这些可选的智能体可用于可视化MD模拟结果、在arXiv上扫描相关论文等。

凭借这些贡献，我们相信我们的工作将显著加速基于智能体AI的工作流在新型材料设计与发现中的应用。

## 2 架构

我们基于智能体的MD工作流的总体示意图如图1 (https://arxiv.org/html/2607.22596#S1.F1)所示。整体方案可分为三部分：触发智能体的人类指定输入、核心LAMMPS智能体、以及可选的后处理交接给其他URSA智能体。人类输入可以只包含一个指定模拟任务并启动工作流的单个提示。这构成了一种“最简模式”，涉及在更高水平的智能体自主性下运行工作流。例如，在这里，智能体为MD模拟选择势函数。或者，对于具有较高MD模拟专业水平的用户，智能体可以接受可选输入，如用于模拟的势函数文件。值得注意的是，用户还可以提供特定的LAMMPS输入脚本模板供智能体使用，这对于专门的MD任务可能是必需的。

与URSA的所有智能体一样，LAMMPS智能体使用LangGraph29 (https://arxiv.org/html/2607.22596#bib.bib16)实现，即作为一个基于图的模型，演变智能体的状态。在这项工作中，智能体的状态被结构化，以实现显著水平的“人在回路”以及跨多次运行的持久性。关键变量，如选择的原子间势函数、用户提供的LAMMPS输入脚本模板、智能体生成的LAMMPS输入脚本、任何LAMMPS模拟错误等，都被实现为智能体的状态变量。因此，当智能体的状态通过图的边和节点流动时，这些变量可以改变。诸如所选势函数等变量可以在启动智能体之前由用户预填充。当调用智能体时，一个入口路由器被激活，根据智能体的状态，从特定的图节点开始工作流。例如，如果原子间势函数作为状态变量存在，则跳过自主选择势函数等任务。类似地，用户可以使用先前运行的LAMMPS脚本预填充状态中的模板变量。在这种情况下，智能体被指示基于此模板为当前运行生成输入文件。

参考图注
图2：智能体生成模拟输入脚本期间的终端输出。初始尝试产生的错误用红色框包围。智能体为修复此错误所做的后续编辑被高亮显示为“LAMMPS输入差异”。
我们在第3节 (https://arxiv.org/html/2607.22596#S3)中详细描述了智能体用于选择和下载原子间势函数的算法。在本节中，我们重点介绍LAMMPS智能体中负责编写并随后优化LAMMPS脚本的部分。为此，智能体首先调用一个LLM，其任务是编写与用户请求的模拟任务一致的脚本。有了这个脚本，智能体然后通过MPI或kokkos26 (https://arxiv.org/html/2607.22596#bib.bib24)（在启用GPU的计算资源情况下）执行模拟。如果模拟导致错误，智能体通过调用第二个LLM，并向其提供所有先前生成的LAMMPS脚本及其关联错误的完整历史记录，来迭代地尝试修复错误。这个迭代过程一直持续到模拟成功，或者达到用户指定的迭代次数限制。在此过程进行时，智能体的终端输出会显示智能体编写的初始脚本，并高亮显示为修复任何错误而对此脚本进行的后续编辑。图2 (https://arxiv.org/html/2607.22596#S2.F2)中显示了一个示例。

MD模拟的成功完成是负责MD工作流的核心LAMMPS智能体的终止点。在此阶段，可以交接给属于URSA通用目的智能体家族的其他智能体。URSA包含一个用于各种研究任务的大型智能体系统，这些在参考文献9 (https://arxiv.org/html/2607.22596#bib.bib10)中有详细描述。在这里，我们非常简要地总结执行智能体和arXiv智能体，因为它们将在本文的其余部分中使用。
执行智能体：URSA的执行智能体旨在处理代码和工具使用任务。对于给定的通用问题，该智能体允许LLM自主选择特定工具并迭代使用该工具，直到任务完成。在本文中，我们采用该智能体的“编写代码”工具，该工具允许智能体编写Python代码，以读取、总结和可视化LAMMPS智能体生成的模拟日志文件。
arXiv智能体：该智能体使用arXiv搜索API（应用程序编程接口）来查找与给定问题相关的论文。然后，它使用LLM处理论文中的文本和图像，以在用户指定任务的上下文中总结其内容。为此，该智能体可以使用论文的全文，或者为每篇论文创建并使用基于检索增强生成（RAG）的向量存储。

## 3 智能体势函数选择策略

参考图注
图3：基于LLM的势函数选择算法
与参考文献28 (https://arxiv.org/html/2607.22596#bib.bib1)类似，我们的LAMMPS智能体能够从互联网获取原子间势函数。然而，不同于自动化网络挖掘，我们的框架采用了一种结构化方法，允许智能体系统地评估给定数据库（此处选择为国家标准与技术研究所（NIST）资源库11 (https://arxiv.org/html/2607.22596#bib.bib18)）中所有相关的势函数，然后通过基于LLM的推理选择一个。图3 (https://arxiv.org/html/2607.22596#S3.F3)中展示了勾勒我们势函数选择策略的关键步骤。首先，我们使用atomman包10 (https://arxiv.org/html/2607.22596#bib.bib17)枚举给定所需元素集的所有可用原子间势函数。然后，对于每个势函数，智能体从NIST资源库获取该势函数的所有可用元数据，这些元数据通常包括对应出版物的摘要、标准计算结果、LAMMPS实现信息等。然后使用一个LLM集成，其中每个LLM的任务是根据前述元数据，为单个势函数对所需MD模拟的有用性创建一份简短的人类可读摘要。所有此类输出的结果随后被传递给一个类似管理员的LLM，该LLM根据这些输出做出最终决定。然后，该势函数被自动下载到当前工作目录中。通过这种方式，我们确保了一个自动化的系统算法，允许“人在回路”检查智能体选择该势函数而非其他可能选项的推理过程。

作为说明，我们展示一个最小示例，其中智能体的任务是为铜的LAMMPS模拟选择一个原子间势函数。对于此实验，使用了GPT-5.2模型20 (https://arxiv.org/html/2607.22596#bib.bib23)。智能体通过以下提示启动：

对Cu进行LAMMPS模拟以确定其冷曲线。

对于铜（Cu），NIST资源库中有101101个势函数。在我们的框架中，这涉及101101次独立的LLM调用，其中一个LLM的输出作为示例在附录A (https://arxiv.org/html/2607.22596#A1)中展示。最后，在此示例中，管理员LLM选择了参考文献17 (https://arxiv.org/html/2607.22596#bib.bib2)中的势函数，理由如下：

## 选择的势函数 #11 选择此势函数的理由：Mishin等人（2001年）是一个经过广泛验证、专注于Cu的EAM势函数，具有稳定的fcc 0 K基态和记录良好的平衡特性，并且它以直接可用的LAMMPS格式（pair_style eam/alloy）提供。这种组合使其成为通过在LAMMPS中进行系统晶格/体积缩放和0 K最小化来生成平滑且物理合理的Cu能量-体积（冷曲线）数据集的可靠且方便的选择。

为了比较，我们