Vers une intelligence agentique pour la science des matériaux
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
La convergence de l'intelligence artificielle et de la science des matériaux présente une opportunité transformationnelle, mais pour obtenir une véritable accélération des découvertes, il faut dépasser les modèles spécialisés et finement ajustés pour aller vers des systèmes agentiques qui planifient, agissent et apprennent tout au long du cycle complet de découverte. Cette étude propose une perspective unique centrée sur un pipeline qui s'étend de la curation de corpus et du pré-entraînement, en passant par l'adaptation au domaine et le réglage par instruction, jusqu'aux agents conditionnés par des objectifs interagissant avec des plateformes de simulation et d'expérimentation. Contrairement aux revues précédentes, nous traitons l'ensemble du processus comme un système de bout en bout à optimiser pour des résultats de découverte tangibles, plutôt que pour des critères de substitution. Cette perspective nous permet de retracer comment les choix de conception en amont – tels que la curation des données et les objectifs d'entraînement – peuvent être alignés sur la réussite expérimentale en aval grâce à une attribution de crédit efficace.
Pour rapprocher les communautés et établir un cadre de référence commun, nous présentons d'abord une vision intégrée qui harmonise la terminologie, l'évaluation et les étapes des flux de travail entre l'IA et la science des matériaux. Nous analysons ensuite le domaine à travers deux prismes spécifiques : Du point de vue de l'IA, l'étude détaille les points forts des LLM en reconnaissance des motifs, analyse prédictive et traitement du langage naturel pour l'exploration de la littérature, la caractérisation des matériaux et la prédiction de propriétés ; du point de vue de la science des matériaux, elle met en lumière les applications dans la conception de matériaux, l'optimisation des procédés et l'accélération des flux de travail computationnels via l'intégration d'outils externes (par exemple, DFT, laboratoires robotisés). Enfin, nous opposons les approches passives et réactives à la conception agentique, en répertoriant les contributions actuelles tout en motivant le développement de systèmes poursuivant des objectifs à long terme avec autonomie, mémoire et utilisation d'outils. Cette étude trace une feuille de route pratique vers des agents LLM autonomes et conscients des aspects de sécurité, visant à découvrir des matériaux nouveaux et utiles.
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.