材料科学のためのエージェント的知能に向けて

要旨

人工知能と材料科学の融合は革新的な可能性を秘めているが、真の発見の加速を達成するには、タスクごとに分離されたファインチューニング済みモデルを超え、発見プロセス全体を通じて計画・実行・学習を行うエージェント型システムへ移行する必要がある。本調査は、コーパスの構築と事前学習から、ドメイン適応と指示チューニングを経て、シミュレーション及び実験プラットフォームと連携する目標条件付きエージェントに至る、パイプライン中心の独自の視点を提唱する。従来のレビューとは異なり、我々はプロセス全体を、代理ベンチマークではなく具体的な発見の成果に向けて最適化されるエンドツーエンドのシステムとして扱う。この視点により、データキュレーションや学習目標といった上流の設計選択が、効果的な信用配分を通じて下流の実験的成功にどう結びつくかを追跡することが可能となる。コミュニティ間の隔たりを埋め、共通の参照枠組みを確立するため、まずAIと材料科学にわたる用語、評価、ワークフローの段階を整合させる統合的な視点を提示する。次に、二つの焦点を絞ったレンズを通して分野を分析する。AIの視点からは、文献マイニング、材料特性評価、物性予測におけるパターン認識、予測分析、自然言語処理というLLMの強みを詳述する。材料科学の視点からは、材料設計、プロセス最適化、外部ツール（例：DFT、ロボット実験室）との連携による計算ワークフローの加速への応用に焦点を当てる。最後に、受動的・反応的なアプローチとエージェント型設計を対比させ、自律性、記憶、ツール利用をもって長期的目標を追求するシステムの必要性を説きながら、現在の貢献を分類する。本調査は、新規で有用な材料の発見を目指す、安全性を考慮した自律型LLMエージェントへの実践的なロードマップを描くものである。

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.

材料科学のためのエージェント的知能に向けて

Towards Agentic Intelligence for Materials Science

要旨

Support