Verso un'Intelligenza Agente per la Scienza dei Materiali
Towards Agentic Intelligence for Materials Science
January 29, 2026
Autori: 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
Abstract
La convergenza tra intelligenza artificiale e scienza dei materiali presenta un'opportunità trasformativa, ma il raggiungimento di una vera accelerazione nella scoperta richiede di superare i modelli addestrati in modo isolato per singoli compiti a favore di sistemi agentivi che pianificano, agiscono e apprendono lungo l'intero ciclo di scoperta. Questa rassegna avanza una prospettiva unica, incentrata sulla pipeline, che si estende dalla cura del corpus e il pre-addestramento, passando per l'adattamento al dominio e l'instruction tuning, fino ad agenti condizionati da obiettivi che interagiscono con piattaforme di simulazione e sperimentali. A differenza di precedenti review, trattiamo l'intero processo come un sistema end-to-end da ottimizzare per risultati di scoperta tangibili, piuttosto che per benchmark surrogati. Questa prospettiva ci permette di tracciare come le scelte progettuali a monte – come la cura dei dati e gli obiettivi di addestramento – possano essere allineate al successo sperimentale a valle attraverso un'assegnazione efficace del credito.
Per colmare il divario tra le comunità e stabilire una cornice di riferimento condivisa, presentiamo innanzitutto una lente integrata che allinea terminologia, valutazione e fasi del flusso di lavoro tra IA e scienza dei materiali. Analizziamo quindi il campo attraverso due lenti specifiche: dalla prospettiva dell'IA, la rassegna dettaglia i punti di forza degli LLM nel riconoscimento di pattern, nell'analisi predittiva e nell'elaborazione del linguaggio naturale per l'estrazione di informazioni dalla letteratura, la caratterizzazione dei materiali e la previsione delle proprietà; dalla prospettiva della scienza dei materiali, evidenzia le applicazioni nella progettazione di materiali, nell'ottimizzazione dei processi e nell'accelerazione dei flussi di lavoro computazionali tramite l'integrazione con strumenti esterni (ad esempio, DFT, laboratori robotici). Infine, contrapponiamo approcci passivi e reattivi al design agentivo, catalogando i contributi attuali mentre stimoliamo lo sviluppo di sistemi che perseguono obiettivi a lungo termine con autonomia, memoria e uso di strumenti. Questa rassegna delinea una roadmap pratica verso agenti LLM autonomi e consapevoli della sicurezza, mirati alla scoperta di materiali nuovi e utili.
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.