[논문 리뷰] From Natural Language to Materials Discovery:The Materials Knowledge Navigation Agent

Genmao Zhuang, Amir Barati Farimani|arXiv (Cornell University)|2026. 02. 11.

Machine Learning in Materials Science인용 수 0

한 줄 요약

MKNA는 자연어 과학적 의도를 데이터 검색, 특성 예측, 구조 생성, 안정성 검증을 위한 실행 가능한 단계로 바꾸는 언어 주도 자율 시스템으로, 높은 Debye 온도 세라믹스를 발견한다.

ABSTRACT

Accelerating the discovery of high-performance materials remains a central challenge across energy, electronics, and aerospace technologies, where traditional workflows depend heavily on expert intuition and computationally expensive simulations. Here we introduce the Materials Knowledge Navigation Agent (MKNA), a language-driven system that translates natural-language scientific intent into executable actions for database retrieval, property prediction, structure generation, and stability evaluation. Beyond automating tool invocation, MKNA autonomously extracts quantitative thresholds and chemically meaningful design motifs from literature and database evidence, enabling data-grounded hypothesis formation. Applied to the search for high-Debye-temperature ceramics, the agent identifies a literature-supported screening criterion (Theta_D > 800 K), rediscovers canonical ultra-stiff materials such as diamond, SiC, SiN, and BeO, and proposes thermodynamically stable, previously unreported Be-C-rich compounds that populate the sparsely explored 1500-1700 K regime. These results demonstrate that MKNA not only finds stable candidates but also reconstructs interpretable design heuristics, establishing a generalizable platform for autonomous, language-guided materials exploration.

연구 동기 및 목표

• 개방형 과학적 질의를 다단계 발견 워크플로로 변환한다.
• 문헌에서 도출된 정량적 기준으로 질적 의도를 근거화한다.
• 탐색을 위해 데이터셋을 자율적으로 구성하고 구조 수정을 수행한다.
• ML 대리 모델로 특성을 예측하고 물리 기반 모델로 후보를 검증한다.
• 열역학적으로 안정적이고 높은 Debye 온도 물질 후보를 식별한다.

제안 방법

• Stage I은 문헌 마이닝과 Map–Reduce 추출을 통해 정량적 선별 임계치를 도출한다.
• Stage II는 LLM 생성 코드로 특성을 검색하고 대상 특성에 대해 대리 모델을 학습시킨다(예: CGCNN).
• Stage III은 수정된 구조를 제안하고 에너지 초과 대비를 사용한 안정성 기준으로 M3GNet으로 안정성을 검증한다.
• 구조 수변은 그룹별 원자가 보존되는 치환과 가우시안 섭동을 사용하여 수천 개의 후보를 생성한다.
• Debye 온도는 직접 얻을 수 없을 때 탄성 데이터로 추정되어 데이터 기반 선별 및 학습을 가능하게 한다.
• “Theta_D>800 K”를 선별 임계값으로 확립하고 고강성 물질의 우선순위를 매길 때 사용한다.

Figure 1 : Overview of the proposed agentic workflow for materials discovery.

실험 결과

연구 질문

• RQ1 자율적 언어 주도 에이전트가 문헌에서 물질 발견을 위한 정량적 설계 임계치를 도출할 수 있는가?
• RQ2 MKNA가 검색, 예측, 검증을 통합하여 열역학적으로 안정적이고 높은 Debye 온도 후보를 식별할 수 있는가?
• RQ3 LLM 생성 코드가 누락된 특성을 얼마나 잘 검색하고 엔드 투 엔드 선별을 지원하는가?
• RQ4 Be–C–리치 프레임워크와 같은 설계 모티프가 높은 Theta_D 물질 탐색에서 어떤 형태로 나타나는가?

주요 결과

• MKNA는 해석 가능한 설계 휴리스틱을 재구성하고 높은 Debye 온도에 대한 선별 기준으로 Theta_D>800 K를 식별한다.
• 정형의 초강성 물질(다이아몬드, SiC, SiN, BeO)이 문헌 기반과 선별을 통해 재발견된다.
• 수정된 Be–C–리치 프레임워크가 열역학적으로 안정적이며 1500–1700 K 범위의 높은 Theta_D 후보로 나타난다.
• CGCNN 예측기가 RMSE 약 247 K, R^2 약 0.68를 달성하여 M3GNet 검증 전에 효율적 예선이 가능하다.
• 안정성 필터링(E_hull<0.05 eV/atom)은 데이터베이스 전용 분포에 비해 후보들을 고-Theta_D 영역에 집중시킨다.
• MKNA는 Be–C 모티프의 등장을 보여주고 투명하며 문헌 기반의 합리화를 제공하는 새로운 물질의 가능성을 시사한다.

Figure 2 : Workflow for LLM-generated property retrieval. If a property is not available in a database, GPT-5-mini synthesizes and repairs a custom retrieval routine until valid outputs are obtained.