[論文レビュー] Towards Agentic Intelligence for Materials Science

Huan Zhang, Yizhan Li+19 more|arXiv (Cornell University)|Jan 29, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

この調査はAI4MSのパイプライン中心のエンドツーエンドの見方を提案し、材料 discovery ループ全体で計画・行動・学習するエージェント的LLMsを提案して、発見を加速させ、安全性を確保する。

ABSTRACT

The convergence of artificial intelligence and materials science presents a transformative opportunity, but achieving true acceleration in discovery requires moving beyond task-isolated, fine-tuned models toward agentic systems that plan, act, and learn across the full discovery loop. This survey advances a unique pipeline-centric view that spans from corpus curation and pretraining, through domain adaptation and instruction tuning, to goal-conditioned agents interfacing with simulation and experimental platforms. Unlike prior reviews, we treat the entire process as an end-to-end system to be optimized for tangible discovery outcomes rather than proxy benchmarks. This perspective allows us to trace how upstream design choices-such as data curation and training objectives-can be aligned with downstream experimental success through effective credit assignment. To bridge communities and establish a shared frame of reference, we first present an integrated lens that aligns terminology, evaluation, and workflow stages across AI and materials science. We then analyze the field through two focused lenses: From the AI perspective, the survey details LLM strengths in pattern recognition, predictive analytics, and natural language processing for literature mining, materials characterization, and property prediction; from the materials science perspective, it highlights applications in materials design, process optimization, and the acceleration of computational workflows via integration with external tools (e.g., DFT, robotic labs). Finally, we contrast passive, reactive approaches with agentic design, cataloging current contributions while motivating systems that pursue long-horizon goals with autonomy, memory, and tool use. This survey charts a practical roadmap towards autonomous, safety-aware LLM agents aimed at discovering novel and useful materials.

研究の動機と目的

• 材料科学におけるタスク特化モデルからエンドツーエンド、目標主導の発見パイプラインへ移行する動機づけ。
• 上流の事前学習、ドメイン適応、ツール使用を下流の発見成果とクレジット割り当てで整合させる。
• 前提学習と適応を実世界の発見報酬で形作られる調整可能な部品として扱うパイプライン中心のフレームワークを提案する。
• AIと材料科学コミュニティを共通の用語と評価枠組みで橋渡しする。
• 材料発見における自律性と安全性を備えた実用的なLLMエージェントのロードマップを概説する。

提案手法

• コーパスキュレーション、事前学習、ドメイン適応、インストラクションチューニング、エージェントのシミュレーション・実験との相互作用を結ぶパイプライン中心の視点を提示する。
• AIの進展（予測、生成、推論、マルチモーダル能力）を材料科学のニーズにmappingする。
• 材料科学におけるAI視点の反応的タスク（予測、マイニング、生成、最適化）を説明し、自律的発見のギャップを特定する。
• 現代のエージェントシステムと、受動的モデルからツールと長期報酬を活用する目標指向エージェントへの移行を論じる。
• データ relevancy の影響関数などを用いた発見成果の上流部品へのエンドツーエンドのクレジット割り当てとバックプロパゲーションのメカニズムを提案する。
• 自律ラボ、ツール使用エージェント、安全フレームワークを統合した一体的な発見パイプラインのロードマップを概説する。

Figure 1: An overview of the key sections and an illustrative end-to-end pipeline encompasses key elements like general pre-training tasks & data, foundation language models, domain-specific tasks & data, materials-oriented model adaptation, goal-driven Large Language Model (LLM) agents, and iterati

実験結果

リサーチクエスチョン

• RQ1 Q1 エージェンシーの進化：一般目的MLモデルは材料科学の文脈で受動的な処理系からエージェントシステムへどのように進化したのか？
• RQ2 Q2 強力なタスク指標にもかかわらず、材料科学の現行AIシステムは自律的発見に対して不十分なのはなぜか？
• RQ3 Q3 材料科学におけるAI能力と自律・発見志向ワークフローのエンドツーエンドのギャップを埋めるには何が必要か？
• RQ4 Q4 パイプライン中心の評価とクレジット割り当ては事前学習と適応を実験的発見成果にどう結びつけるのか？

主な発見

• LLMsはパターン認識、文献マイニング、特性予測の強みを持ち、エージェント設計によってエンドツーエンドの発見へ拡張できる。
• パイプライン中心の見方は上流の設計選択（データキュレーション、学習目的）がクレジット割り当てを通じて下流の実験成功に影響することを明らかにする。
• エージェントシステムはツール使用、記憶、長期的意思決定を可能にし、静的なタスク特化モデルを超える。
• 外部ツール（DFT、ロボットラボ）との統合は計算ワークフローと実験計画を材料設計において加速させる。
• 発見報酬に導かれたフィードバック駆動の事前学習ループはコーパスと目的を実世界の成果に合わせて適応させる。
• この調査は新規材料発見の自律性と安全性を備えたLLMエージェントへ向けた実用的なロードマップを概説する。

Figure 2: Technology tree of AI4Material science research. With the emergence of LLMs and agents, research on materials science initially focused on domain specific task, primarily concentrating on seperate reactive tasks. Subsequent research has delved deeper, gradually integrating more with agenti