Lang2MLIP：自然语言驱动的机器学习原子势能开发多智能体框架

Lang2MLIP是一个多智能体框架，通过自然语言输入实现端到端的机器学习原子势能（MLIP）开发。它将MLIP开发建模为顺序决策问题，由大语言模型自动选择优化动作，无需预定义流程，核心目标是降低非专家开发MLIP的门槛。

机器学习原子势能（MLIP）是材料科学领域近年来发展迅速的交叉技术，能在保持量子力学精度的同时实现大规模分子动力学模拟。但开发高质量MLIP面临三重挑战：

1. 专业知识壁垒：需同时具备原子模拟（分子动力学、密度泛函理论等）、机器学习（模型架构选择、超参数调优等）、工作流设计（编排数据生成、训练、验证等流程）三重专业知识；
2. 迭代式主动学习复杂性：MLIP开发通常采用迭代式主动学习范式，需人工决策何时停止、扩展数据集或调整模型架构，对经验依赖度高；
3. 现有自动化方案局限：现有自动化流水线多假设固定阶段序列或依赖专家干预，面对异构材料系统效率低下甚至失败。

Lang2MLIP采用多智能体架构，核心理念是“用自然语言描述需求，让智能系统自动完成MLIP开发全过程”。

• 决策智能体观察空间：包括当前数据集状态（分布、覆盖范围、标注质量等）、模型状态（架构、参数、训练进度）、评估结果（验证集性能指标、不确定性估计）、执行日志（之前步骤记录、成功与失败信息）；
• 动作空间：智能体可选择生成新训练数据、调整模型架构/超参数、扩展/缩减数据集、执行验证测试、回溯修正等动作；
• 自纠正能力：检测到失败或性能瓶颈时，系统可自动回溯到之前子系统重新执行或调整步骤，适应不同材料系统需求。

Lang2MLIP的技术实现有两大关键：

1. 自然语言接口：将用户自然语言需求转化为结构化任务规格，例如用户输入“开发模拟锂离子电池SEI层的MLIP，准确描述有机和无机组分界面相互作用”，系统会解析材料类型、精度要求等关键信息；
2. 无预定义流水线：完全摒弃传统固定阶段序列，将开发阶段视为可选动作由智能体动态选择，带来三大优势：适应性（不同材料系统遵循最优路径）、鲁棒性（失败时灵活调整策略）、效率（避免不必要资源浪费）。

研究团队在锂离子电池固体电解质界面（SEI）系统验证了Lang2MLIP的有效性。

• 实验设置：目标系统为含多种有机和无机组分的SEI层，评估指标包括能量预测精度、力预测精度、分子动力学稳定性，对比基线为传统固定流水线方法；
• 关键发现：智能体成功定位模型性能影响最大的数据缺口、根据中间结果调整数据生成和训练优先级、在有机-无机界面相互作用建模上表现出色。

意义与影响

• 材料科学领域：推动计算工具民主化，降低MLIP开发门槛，让更多研究者探索新材料；
• 智能体系统：展示LLM多智能体在复杂科学工作流自动化中的潜力，为其他专业领域提供参考范式。

局限

• 计算成本高（LLM推理和迭代训练开销大）；
• 决策过程可解释性待提升；
• 泛化能力需在更多材料系统验证。

未来方向

• 引入强化学习优化决策策略；
• 开发决策过程可视化和解释工具；
• 扩展到更多类型的材料模拟任务。