Hin zu agentiver Intelligenz in der Materialwissenschaft
Towards Agentic Intelligence for Materials Science
January 29, 2026
papers.authors: Huan Zhang, Yizhan Li, Wenhao Huang, Ziyu Hou, Yu Song, Xuye Liu, Farshid Effaty, Jinya Jiang, Sifan Wu, Qianggang Ding, Izumi Takahara, Leonard R. MacGillivray, Teruyasu Mizoguchi, Tianshu Yu, Lizi Liao, Yuyu Luo, Yu Rong, Jia Li, Ying Diao, Heng Ji, Bang Liu
cs.AI
papers.abstract
Die Konvergenz von künstlicher Intelligenz und Materialwissenschaft bietet eine transformative Chance, doch eine echte Beschleunigung der Entdeckung erfordert einen Wechsel von aufgabenisolierten, feinabgestimmten Modellen hin zu agentenbasierten Systemen, die über den gesamten Entdeckungszyklus hinweg planen, handeln und lernen. Dieser Übersichtsartikel vertritt eine einzigartige, pipeline-zentrierte Sichtweise, die von der Korpuskuratierung und Vorabtrainierung über Domänenanpassung und Instruktionsfeinabstimmung bis hin zu zielkonditionierten Agenten reicht, die mit Simulations- und Experimentierplattformen interagieren. Im Gegensatz zu früheren Übersichtsarbeiten behandeln wir den gesamten Prozess als ein End-to-End-System, das auf greifbare Entdeckungsergebnisse und nicht auf Stellvertreter-Benchmarks optimiert werden soll. Diese Perspektive ermöglicht es uns nachzuvollziehen, wie Upstream-Entwurfsentscheidungen – wie Datenkuratierung und Trainingsziele – durch effektive Kreditzuweisung auf den Downstream-Erfolg im Experiment ausgerichtet werden können.
Um Gemeinschaften zu verbinden und einen gemeinsamen Referenzrahmen zu schaffen, stellen wir zunächst eine integrierte Sichtweise vor, die Terminologie, Evaluierung und Arbeitsablaufschritte in der KI und Materialwissenschaft abstimmt. Anschließend analysieren wir das Feld durch zwei fokussierte Linsen: Aus KI-Perspektive werden die Stärken von LLMs in den Bereichen Mustererkennung, prädiktive Analytik und natürliche Sprachverarbeitung für Literaturrecherche, Materialcharakterisierung und Eigenschaftsvorhersage detailliert beschrieben; aus materialwissenschaftlicher Perspektive werden Anwendungen im Materialdesign, der Prozessoptimierung und der Beschleunigung computergestützter Arbeitsabläufe durch Integration externer Werkzeuge (z.B. DFT, Robotiklabore) hervorgehoben. Abschließend kontrastieren wir passive, reaktive Ansätze mit agentenbasierter Gestaltung, katalogisieren aktuelle Beiträge und plädieren für Systeme, die langfristige Ziele mit Autonomie, Gedächtnis und Werkzeugeinsatz verfolgen. Dieser Übersichtsartikel skizziert eine praktische Roadmap hin zu autonomen, sicherheitsbewussten LLM-Agenten, die auf die Entdeckung neuartiger und nützlicher Materialien abzielen.
English
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.