Op Weg naar Agentische Intelligentie voor Materiaalwetenschap
Towards Agentic Intelligence for Materials Science
January 29, 2026
Auteurs: 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
Samenvatting
De convergentie van kunstmatige intelligentie en materiaalkunde biedt een transformerende kans, maar het bereiken van een echte versnelling in ontdekking vereist een verschuiving van taak-geïsoleerde, fijn afgestemde modellen naar agent-gebaseerde systemen die plannen, handelen en leren binnen de volledige ontdekkingscyclus. Dit overzichtsartikel presenteert een unieke, pijplijn-gecentreerde visie die zich uitstrekt van corpuscuratie en pre-training, via domeinaanpassing en instructie-afstemming, tot doel-gestuurde agents die interfacen met simulatie- en experimentele platforms. In tegenstelling tot eerdere overzichten, behandelen wij het gehele proces als een end-to-end systeem dat geoptimaliseerd moet worden voor tastbare ontdekkingsresultaten in plaats van voor proxy-prestatie-indicatoren. Dit perspectief stelt ons in staat om te traceren hoe upstream ontwerpkeuzes – zoals datacuratie en trainingsdoelstellingen – kunnen worden afgestemd op downstream experimenteel succes door effectieve toerekening van resultaten.
Om gemeenschappen te verbinden en een gedeeld referentiekader te vestigen, presenteren wij eerst een geïntegreerde lens die terminologie, evaluatie en workflowfasen tussen AI en materiaalkunde op één lijn brengt. Vervolgens analyseren wij het vakgebied door twee gerichte lenzen: Vanuit het AI-perspectief detailleren de sterke punten van LLM's in patroonherkenning, voorspellende analyses en natuurlijke taalverwerking voor literatuurmining, materiaalkarakterisering en eigenschapvoorspelling; vanuit het materiaalkundeperspectief belicht het toepassingen in materiaalontwerp, procesoptimalisatie en de versnelling van computationele workflows via integratie met externe tools (bijv. DFT, robotlabs). Ten slotte contrasteren wij passieve, reactieve benaderingen met agent-gebaseerd ontwerp, waarbij we huidige bijdragen inventariseren en tegelijkertijd systemen motiveren die langetermijndoelen nastreven met autonomie, geheugen en toolgebruik. Dit overzichtsartikel schetst een praktische routekaart naar autonome, veiligheidsbewuste LLM-agents die gericht zijn op het ontdekken van nieuwe en bruikbare materialen.
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.