阿贡实验室提出 ChemGraph：以多智能体架构自动化计算化学工作流
美国阿贡国家实验室在 Nature 子刊发表 ChemGraph，用 LLM 驱动智能体完成分子模拟全流程，13 项基准…
美国阿贡国家实验室的研究团队近日在 Nature 子刊 Communications Chemistry 发表论文，提出由大语言模型驱动的智能体框架 ChemGraph，用于自动化执行计算化学领域中的分子模拟工作流程。研究同时设计了 13 项基准任务、共 360 次独立评估，是目前计算化学领域首个面向智能体的统一评测体系。
研究背景与核心思路
近年来，已有多款 LLM 化学智能体被开发，例如专注化学合成的 ChemCrow、面向化学信息学的 CACTUS，以及可执行分子动力学工作流的 MDCrow。ChemGraph 的差异化在于：结合图神经网络基础模型完成高效计算，由 LLM 负责自然语言理解、任务规划与科学推理，提供直观的交互式界面。
系统支持半经验方法（如 GFN2-xTB）、机器学习势函数以及密度泛函理论（DFT）等多种分子模拟方法，可完成从 SMILES 字符串与分子结构生成，到几何优化、振动分析及热化学计算的完整链路。
框架实现：基于 LangGraph 的双模式设计
ChemGraph 基于 LangGraph 构建并遵循 ReAct 框架，包含三类要素：
- 状态：表示系统当前状态的共享数据结构
- 节点：定义智能体逻辑的 Python 函数，可为大模型或特定操作函数
- 边：控制消息流向，可为有向边或条件边
执行时，LLM 智能体首先获得一组预定义工具，依据用户提示决定调用哪一个；每次调用完成后，LLM 接收结果并判断是否继续。消息可沿两条路径传递：一条返回类似人类的自然语言响应，另一条转发给第二个智能体以生成预定义 JSON 格式的结构化输出，从而兼顾交互与评测场景。
13 项基准与单智能体评估
研究人员将 13 项任务按输入类型分为三类：分子名称、SMILES 字符串、化学反应。前 11 项任务最多调用 4 次工具，最后 2 项聚焦热化学性质计算，需调用 9 至 12 次工具，复杂度显著提高。
在单智能体设置下评估了 GPT-4o-mini、Claude-3.5-haiku 与 Qwen-2.5-14B，并对 GPT-4o 仅评估最复杂的两个任务。关键发现：
- 简单任务（name2smi、name2xyz、name2opt、name2vib）：GPT-4o-mini 与 Claude-3.5-haiku 准确率均超过 83%
- 中等任务（smi2xyz 至 smi2file）：三者最低准确率仍有 77%
- 复杂任务（react2enthalpy、react2gibbs）：Qwen-2.5-14B 低于 20%，GPT-4o-mini 分别为 40% 和 49%，Claude-3.5-haiku 达到 67% 和 69%，GPT-4o 超过 83%
多智能体架构显著提升表现
在多智能体设置下评估了同一组模型，并与单智能体对比。复杂任务上的提升尤为明显：
- react2enthalpy：GPT-4o-mini 从 40% 提升至 87%，Claude-3.5-haiku 从 67% 提升至 87%，均超过单智能体 GPT-4o 的 83% 基线
- react2gibbs：GPT-4o-mini 从 49% 提升至 87%，Claude-3.5-haiku 从 69% 提升至 93%
- GPT-4o 在多智能体模式下两个任务均达到 100% 准确率
Qwen-2.5-14B 提升有限，主要原因是工具调用错误频繁，限制了聚合智能体生成准确答案的能力。结果表明，将复杂任务拆解为更小、更易管理的子任务，可有效弥补小模型在长链路规划上的短板。
意义与未来方向
研究团队表示，ChemGraph 并非要替代传统计算化学软件，而是作为连接研究人员与模拟工具的智能协作层。后续工作将聚焦集成更多工具、优化智能体架构、加强高性能计算支持，并通过 Docker 容器保障运行安全。随着开源大模型发展，ChemGraph 有望降低 AI 科研应用成本，在材料发现、分子设计等场景释放更大价值。