[논문 리뷰] Towards Agentic Intelligence for Materials Science

Huan Zhang, Yizhan Li외 19명|arXiv (Cornell University)|2026. 01. 29.

Machine Learning in Materials Science인용 수 0

한 줄 요약

본 연구는 파이프라인 중심의 엔드 투 엔드 관점으로 AI4MS를 제안하며, 재료 발견 전 과정에서 계획하고 행동하며 학습하는 에이전트형 LLM을 제시하여 발견을 가속화하고 안전을 보장한다.

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.

연구 동기 및 목표

• 재료 과학에서 과제 특화 모델에서 엔드투엔드, 목표 지향적 발견 파이프라인으로의 전환을 촉진한다.
• 크레딧 할당을 통해 상류의 사전 학습, 도메인 적응, 도구 사용을 하류의 발견 결과와 일치시킨다.
• 실세계 발견 보상에 의해 형성되는 조정 가능한 구성요소로서 사전 학습과 적응을 다루는 파이프라인 중심 프레임워크를 제안한다.
• 공유 용어와 평가 프레임워크를 통해 AI와 재료 과학 커뮤니티를 연결한다.
• 재료 발견에서 자율적이고 안전 인지된 LLM 에이전트에 대한 실용적 로드맵을 제시한다.

제안 방법

• 시뮬레이션과 실험과의 상호작용과 함께 말뭉치 선별, 사전 학습, 도메인 적응, 지시 조정, 에이전트 상호작용을 연결하는 파이프라인 중심 관점을 제시한다.
• 예측, 생성, 추론, 다중 모달 능력을 포함한 AI 발전을 분석하고 이를 재료 과학의 요구에 매핑한다.
• AI 관점에서 재료 과학의 반응적 작업(예측, 마이닝, 생성, 최적화)을 설명하여 자율 발견의 격차를 식별한다.
• 현대의 에이전트형 시스템을 논의하고 도구를 사용하고 장기 보상으로 이끄는 목표 지향적 에이전트로의 전환을 다룬다.
• 발견 결과를 상류 구성요소로의 엔드투엔드 크레딧 할당과 역전파하는 메커니즘을 제안한다(예: 데이터 타당성에 대한 영향 함수).
• 자율 실험실, 도구 이용 에이전트 및 안전 프레임워크를 하나의 응집된 발견 파이프라인으로 통합하기 위한 로드맵을 제시한다.

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

실험 결과

연구 질문

• RQ1 Q1 에이전시의 진화: 일반 목적 ML 모델이 재료 과학 맥락에서 수동 프로세서에서 에이전트형 시스템으로 어떻게 진화해 왔는가?
• RQ2 Q2 강력한 과제 벤치마크에도 불구하고 현재의 재료 과학용 AI 시스템이 자율 발견에 충분하지 않은 이유는 무엇인가?
• RQ3 Q3 재료 과학에서 AI 능력과 자율적 발견 주도 워크플로우 사이의 엔드투엔드 격차를 메우기 위해 무엇이 필요한가?
• RQ4 Q4 파이프라인 중심의 평가와 크레딧 할당이 사전 학습 및 적응을 실험적 발견 결과와 어떻게 정렬시킬 수 있는가?

주요 결과

• LLMs은 패턴 인식, 문헌 마이닝, 특성 예측에서 강점을 보이며, 에이전트형 설계를 통해 이를 엔드투엔드 발견으로 확장할 수 있다.
• 파이프라인 중심 시각은 상류 설계 선택(데이터 큐레이션, 학습 목표)이 크레딧 할당을 통해 하류 실험 성공에 어떤 영향을 미치는지 보여준다.
• 에이전트형 시스템은 도구 사용, 기억 및 장기적 의사결정을 가능하게 하여 정적이고 과제 특화된 모델을 넘어선다.
• 외부 도구(DFT, 로봇 연구실)와의 통합은 재료 설계에서 계산 흐름과 실험 계획을 가속화할 수 있다.
• 발견 보상에 의해 가이드되는 피드백 중심의 사전 학습 루프는 말뭉치와 목표를 실제 세계의 결과를 개선하도록 적응시킬 수 있다.
• 본 조사는 신재료 발견을 위한 자율적이고 안전 인지된 LLM 에이전트에 대한 실용적인 로드맵을 제시한다.

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