Hacia una Inteligencia Agéntica para la Ciencia de Materiales
Towards Agentic Intelligence for Materials Science
January 29, 2026
Autores: 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
Resumen
La convergencia entre la inteligencia artificial y la ciencia de materiales presenta una oportunidad transformadora, pero lograr una verdadera aceleración en el descubrimiento requiere superar los modelos ajustados y aislados por tareas para avanzar hacia sistemas agentes que planifican, actúan y aprenden a lo largo de todo el ciclo de descubrimiento. Esta revisión propone una perspectiva única centrada en el *pipeline* integral, que abarca desde la curación de corpus y el preentrenamiento, pasando por la adaptación al dominio y el ajuste por instrucción, hasta agentes condicionados por objetivos que interactúan con plataformas de simulación y experimentación. A diferencia de revisiones anteriores, tratamos todo el proceso como un sistema integral (*end-to-end*) que debe optimizarse para obtener resultados tangibles de descubrimiento, en lugar de para métricas proxy. Esta perspectiva nos permite rastrear cómo las decisiones de diseño en fases iniciales —como la curación de datos y los objetivos de entrenamiento— pueden alinearse con el éxito experimental final mediante una asignación efectiva de crédito.
Para tender puentes entre comunidades y establecer un marco de referencia común, primero presentamos una visión integrada que alinea la terminología, la evaluación y las etapas del flujo de trabajo entre la IA y la ciencia de materiales. Luego, analizamos el campo a través de dos lentes específicos: desde la perspectiva de la IA, la revisión detalla las fortalezas de los Modelos de Lenguaje Grande (LLM) en reconocimiento de patrones, análisis predictivo y procesamiento del lenguaje natural para la minería de literatura, caracterización de materiales y predicción de propiedades; desde la perspectiva de la ciencia de materiales, se destacan aplicaciones en diseño de materiales, optimización de procesos y la aceleración de flujos de trabajo computacionales mediante la integración con herramientas externas (por ejemplo, DFT, laboratorios robóticos). Finalmente, contrastamos los enfoques pasivos y reactivos con el diseño agentivo, catalogando las contribuciones actuales al tiempo que impulsamos sistemas que persiguen objetivos de largo alcance con autonomía, memoria y uso de herramientas. Esta revisión traza una hoja de ruta práctica hacia agentes LLM autónomos y conscientes de la seguridad, orientados a descubrir materiales novedosos y útiles.
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.