[論文レビュー] A Survey of AI for Materials Science: Foundation Models, LLM Agents, Datasets, and Tools

Minh–Hao Van, Prateek Verma+2 more|ArXiv.org|Jun 25, 2025

Machine Learning in Materials Science被引用数 3

ひとこと要約

この調査は、ファウンデーションモデル、LLMエージェント、データセット、AI主導の材料科学を可能にするツールを、六つのタスク領域で概観し、単一モーダル、マルチモーダル、エージェントベースのモデルと今後の課題を強調します。

ABSTRACT

Foundation models (FMs) are catalyzing a transformative shift in materials science (MatSci) by enabling scalable, general-purpose, and multimodal AI systems for scientific discovery. Unlike traditional machine learning models, which are typically narrow in scope and require task-specific engineering, FMs offer cross-domain generalization and exhibit emergent capabilities. Their versatility is especially well-suited to materials science, where research challenges span diverse data types and scales. This survey provides a comprehensive overview of foundation models, agentic systems, datasets, and computational tools supporting this growing field. We introduce a task-driven taxonomy encompassing six broad application areas: data extraction, interpretation and Q\&A; atomistic simulation; property prediction; materials structure, design and discovery; process planning, discovery, and optimization; and multiscale modeling. We discuss recent advances in both unimodal and multimodal FMs, as well as emerging large language model (LLM) agents. Furthermore, we review standardized datasets, open-source tools, and autonomous experimental platforms that collectively fuel the development and integration of FMs into research workflows. We assess the early successes of foundation models and identify persistent limitations, including challenges in generalizability, interpretability, data imbalance, safety concerns, and limited multimodal fusion. Finally, we articulate future research directions centered on scalable pretraining, continual learning, data governance, and trustworthiness.

研究の動機と目的

• 跨領域でデータ豊富な材料発見と設計を可能にするファウンデーションモデルの活用を促進する。
• タスク、アーキテクチャ、事前学習戦略によって単一モーダル、マルチモーダル、エージェントベースのファウンデーションモデルを分類する。
• 材料科学におけるAIワークフローを支えるデータセット、ツール、自治的プラットフォームを要約する。

提案手法

• データ抽出、解釈とQ&A；原子論的シミュレーション；特性予測；材料の構造、設計・発見；プロセス計画、発見と最適化；多尺度モデリングの六つのアプリケーション領域を網羅するタスク駆動型タキソノミーを提供する。
• 単一モーダル、マルチモーダル、エージェントベースのファウンデーションモデルとそれらの跨域能力をレビューする。
• 代表的なモデル、データセット、ツールチェーンを要約し、成功・制約・今後の方向性を議論する。

実験結果

リサーチクエスチョン

• RQ1 材料科学におけるAIを推進する主なファウンデーションモデルのアーキテクチャと事前学習戦略は何か。
• RQ2 単一モーダル、マルチモーダル、エージェントベースのモデルは、主要なMatSciタスクと材料クラスでどのように性能を発揮するか。
• RQ3 材料発見と設計におけるスケーラブルな自律AIワークフローを支えるデータセットとツールは何か。
• RQ4 これらのモデルの実用展開を妨げる継続的な制限と安全性の懸念は何か。
• RQ5 スケーラブルな事前学習、継続学習、データガバナンス、信頼性の向上を可能にする将来の方向性は何か。

主な発見

• GNoMEはグラフニューラルネットワークとアクティブラーニング駆動のDFT検証を組み合わせて、2.2百万以上の新規安定材料を発見した。
• MatterSimは1,700万のDFTラベル付き構造で訓練され、全元素に対する普遍的なシミュレーションと広範な温度・圧力領域をサポートする。
• MACE-MP-0は周期系において最先端の精度を達成し、同時に等価性誘導バイアスを保持する。
• マルチモーダルおよび跨域モデル（例：nach0、MultiMat、MatterChat）は、構造、テキスト、スペクトルデータの推論を可能にする。
• LLMエージェント（例：HoneyComb、MatAgent、ChatMOF、MatPilot）は、文献レビュー、設計、合成計画、実験ワークフローにおける自律または半自律的タスクを可能にする。
• Open MatSci ML Toolkit、FORGEなどのツールキットと、A-Labなどの自治的プラットフォームの成長するエコシステムが、統合されたAI搭載材料ワークフローを支援している。