[论文解读] Agentic AI and Machine Learning for Accelerated Materials Discovery and Applications

Jihua Chen, Panagiotis Christakopoulos+3 more|arXiv (Cornell University)|Jan 13, 2026

Machine Learning in Materials Science被引用 0

一句话总结

本论文综述了具备代理能力的AI和机器学习在更快的材料发现中的应用，突出核心概念、效率需求，以及在流动化学、生物传感器和电池领域的示例，重点关注大型语言模型。

ABSTRACT

Artificial Intelligence (AI), especially AI agents, is increasingly being applied to chemistry, healthcare, and manufacturing to enhance productivity. In this review, we discuss the progress of AI and agentic AI in areas related to, and beyond polymer materials and discovery chemistry. More specifically, the focus is on the need for efficient discovery, core concepts, and large language models. Consequently, applications are showcased in scenarios such as (1) flow chemistry, (2) biosensors, and (3) batteries.

研究动机与目标

• 评估AI代理在化学、医疗保健和制造领域中的作用与进展，重点在材料发现。
• 识别材料科学中高效发现的挑战与需求。
• 讨论具备代理能力的AI的核心概念以及大型语言模型在该领域的作用。
• 展示在流动化学、生物传感器和电池中的实际应用。

提出的方法

• 对材料科学及相关领域中关于具备代理能力的AI和ML的现有文献进行综述。
• 在理论上讨论AI代理的高效发现工作流与决策过程。
• 强调大型语言模型在材料发现任务中的相关性与能力。

实验结果

研究问题

• RQ1 在加速材料发现方面，具备代理能力的AI有哪些当前的进展和局限性？
• RQ2 如何利用大型语言模型和AI代理来改进材料科学中的发现工作流？
• RQ3 有哪些实际应用（如流动化学、生物传感器、电池）能体现该领域中具代理能力的AI的潜力？

主要发现

• AI代理和机器学习越来越多地应用于材料发现及相关领域，以提升生产力。
• 高效的发现工作流和核心概念支撑着成功的具代理能力的AI实现。
• 大型语言模型是实现材料发现中推理、规划和数据交互的焦点。
• 在如流动化学、生物传感器和电池等情景中展示了应用。