재료 과학을 위한 능동적 인공지능으로의 진화

초록

인공지능과 재료과학의 융합은 변혁적인 기회를 제시하지만, 발견 과정의 진정한 가속화를 위해서는 작업별로 분리된 미세 조정 모델을 넘어 발견 과정 전반에 걸쳐 계획, 실행, 학습을 수행하는 능동적 시스템으로의 전환이 필요하다. 본 종설은 코퍼스 구축 및 사전 학습부터 도메인 적응과 지시어 튜닝을 거쳐, 시뮬레이션 및 실험 플랫폼과 연동하는 목표 기반 에이전트에 이르기까지 파이프라인 중심의 독창적인 관점을 제시한다. 기존 연구 동향과 달리 우리는 전체 과정을 실질적인 발견 성과를 위해 최적화해야 할 종단간 시스템으로 간주한다. 이러한 관점을 통해 데이터 구축 및 학습 목표와 같은 상류 설계 선택이 효과적 신용 할당을 통해 하류 실험 성공과 어떻게 연계될 수 있는지 추적할 수 있다. 분야 간 소통을 촉진하고 공유된 참조 체계를 확립하기 위해, 우리는 먼저 인공지능과 재료과학 간 용어, 평가, 작업 흐름 단계를 조정하는 통합적 렌즈를 제시한다. 이후 두 가지 초점 렌즈를 통해 해당 분야를 분석한다: 인공지능 관점에서는 문헌 마이닝, 재료 특성 분석, 물성 예측을 위한 패턴 인식, 예측 분석, 자연어 처리 분야에서의 LLM 강점을 상세히 검토한다. 재료과학 관점에서는 재료 설계, 공정 최적화, 외부 도구(예: DFT, 로봇 실험실) 연동을 통한 계산 작업 흐름 가속화 등 적용 사례를 부각한다. 마지막으로 수동적·반응적 접근법과 능동적 설계를 대비하며, 자율성, 메모리, 도구 활용을 통해 장기 목표를 추구하는 시스템의 필요성을 제고하면서 현재 기여도를 분류한다. 본 종설은 새롭고 유용한 재료 발견을 목표로 하는 안전 인식 자율 LLM 에이전트를 위한 실질적인 로드맵을 제시한다.

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.

재료 과학을 위한 능동적 인공지능으로의 진화

Towards Agentic Intelligence for Materials Science

초록

Support