Новый фреймворк Agent-MD сокращает участие LLM в длительных молекулярных симуляциях
Научная группа опубликовала на arXiv описание фреймворка Agent-MD, предназначенного для длительных молекулярно-динамических кампаний. Система сочетает выборочное использование больших языковых моделей (LLM) с детерминированными правилами, что позволяет снизить вычислительные затраты и повысить воспроизводимость.
В отличие от подходов, где LLM участвует в каждом шаге, Agent-MD задействует рассуждения только при построении кампании и при срабатывании событийных триггеров. Рoutine-задачи — запуск симуляций, анализ, продолжение из сохранённых состояний, архивирование — выполняет постоянный агент на основе утверждённых политик и явных записей состояний.
Работоспособность подтверждена на кампании grand canonical Monte Carlo и молекулярной динамики (GCMC-MD), изучающей десорбцию водяного пара из монтмориллонита. Эксперимент охватывал пять систем глины и три последовательных уровня относительной влажности (0,9–0,3–0,1). В общей сложности за 15 комбинаций система и влажности было выполнено 120 сегментированных циклов симуляции с индивидуальными длинами выборок.
Примечательно, что рутинное производство не потребовало ни одного вызова «живого» рассуждающего агента. Лишь одно состояние перешло контрольную границу, а два инцидента были позже проанализированы через слепой повторный прогон LLM. Модель выявила базовые проблемы рабочего процесса и предложила корректные дальнейшие действия.
Помимо технических характеристик, симуляции показали содержательный научный результат: при низкой влажности кальций-содержащий монтмориллонит удерживал больше межслоевой воды и сохранял более широкое базальное расстояние по сравнению с натриевыми и калиевыми системами. При этом система с натрием и наибольшим зарядом удерживала больше остаточной воды в сухих условиях.
Авторы делают вывод, что длительные научные рабочие процессы не обязаны помещать каждую операцию в цикл рассуждений LLM. Сочетание селективного мышления с детерминированным исполнением, структурированными доказательствами и валидированными передачами управления обеспечивает воспроизводимую и аудируемую симуляцию, что важно для ресурсоёмких вычислительных экспериментов.
