跳转至

文章背景与核心概要

粗粒化（CG）分子动力学是模拟全原子（AA）方法无法触及的大尺度聚合物系统的关键技术。然而，传统的手工流程极为繁琐，需要针对每种独特的聚合物映射进行人工拓扑构建、平衡以及势能推导。

为了解决这一痛点，作者引入了 CGMas，这是一个能够自动化整个 CG 建模流程（从自然语言规范到验证）的多智能体框架。通过利用大语言模型（LLM）进行拓扑推断，并采用分层自修正机制来处理复杂的化学结构，CGMas 显著加速了模拟工作流。该框架成功处理了 27 种不同的聚合物，在实现高密度匹配准确度的同时，将模拟设置和执行时间从近一小时缩短至一分钟以内。

面向聚合物自动化粗粒化分子动力学的多智能体框架

作者： Joohee Choi, Junhyeong Lee, Seunghwa Ryu
arXiv ID： 2608.06694
提交时间： 2026年8月7日
研究领域： 人工智能 (cs.AI)；多智能体系统 (cs.MA)

摘要

Coarse-grained (CG) molecular dynamics is a vital technique for simulating polymers at scales inaccessible to all-atom (AA) methods. However, the process is traditionally labor-intensive, requiring manual topology construction, equilibration, and potential derivation for every unique polymer mapping.

The authors introduce CGMas, a multi-agent framework that automates the entire CG modeling pipeline—from natural-language specification to validation. By leveraging Large Language Models (LLMs) for topology inference and employing layered self-correction to handle complex chemical structures, CGMas significantly accelerates the simulation workflow. The framework successfully processed 27 different polymers, achieving high accuracy in density matching while reducing simulation setup and execution time from nearly an hour to under one minute.

粗粒化（CG）分子动力学是模拟全原子（AA）方法无法触及的大尺度聚合物系统的关键技术。然而，传统的手工流程极为繁琐，需要针对每种独特的聚合物映射进行人工拓扑构建、平衡以及势能推导。

作者引入了 CGMas，这是一个能够自动化整个 CG 建模流程（从自然语言规范到验证）的多智能体框架。通过利用大语言模型（LLM）进行拓扑推断，并采用分层自修正机制来处理复杂的化学结构，CGMas 显著加速了模拟工作流。该框架成功处理了 27 种不同的聚合物，在实现高密度匹配准确度的同时，将模拟设置和执行时间从近一小时缩短至一分钟以内。

CGMas 框架的核心特性

  • Automated Pipeline: The system handles the full lifecycle of a simulation, including:
    • Topology construction.
    • System equilibration.
    • Mapping to CG representation.
    • Potential derivation via Boltzmann inversion.
    • Benchmarking against atomistic references.
  • LLM-Driven Reasoning: Uses an LLM agent to infer AA topology directly from the natural-language name of the polymer.
  • Self-Correction: Implements a layered validation mechanism to resolve common physical errors, particularly in polar, heteroatom-containing, and unsaturated polymers.
  • Performance Gains: Demonstrated a dramatic reduction in simulation time (from 38–88 minutes down to 1 minute) while maintaining high fidelity, with 22 out of 27 tasks matching AA density within a 5% margin.
  • 自动化流水线： 系统处理模拟的全生命周期，包括：
    • 拓扑构建。
    • 系统平衡。
    • 映射至 CG 表示。
    • 通过玻尔兹曼反演推导势能。
    • 针对原子级参考基准进行评测。
  • LLM 驱动的推理： 利用大语言模型智能体直接根据聚合物的自然语言名称推断全原子（AA）拓扑。
  • 自修正机制： 实施分层验证机制以解决常见的物理错误，特别是针对极性、含杂原子和不饱和聚合物。
  • 性能提升： 显着缩短了模拟时间（从 38–88 分钟缩短至 1 分钟），同时保持了高保真度，27 个任务中有 22 个任务的密度与 AA 密度的偏差在 5% 的误差范围内。

访问与资源

注：本文档基于 arXiv 提交的论文 2608.06694。