Rumo a uma Inteligência Agente para a Ciência dos Materiais
Towards Agentic Intelligence for Materials Science
January 29, 2026
Autores: 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
Resumo
A convergência entre a inteligência artificial e a ciência dos materiais apresenta uma oportunidade transformadora, mas a aceleração genuína da descoberta exige que se vá além de modelos com tarefas isoladas e ajustados individualmente, rumo a sistemas agentes que planejam, agem e aprendem em todo o ciclo de descoberta. Este estudo avança uma visão única centrada em *pipelines* que abrange desde a curadoria de corpus e o pré-treinamento, passando pela adaptação de domínio e ajuste por instrução, até agentes condicionados por objetivos que interagem com plataformas de simulação e experimentação. Diferente de revisões anteriores, tratamos todo o processo como um sistema de ponta a ponta a ser otimizado para resultados tangíveis de descoberta, e não para métricas substitutas. Esta perspectiva permite-nos rastrear como escolhas de projeto a montante – como a curadoria de dados e os objetivos de treinamento – podem ser alinhadas com o sucesso experimental a jusante através de uma atribuição de crédito eficaz.
Para unir as comunidades e estabelecer um quadro de referência comum, apresentamos primeiro uma lente integrada que alinha a terminologia, a avaliação e as etapas de fluxo de trabalho entre a IA e a ciência dos materiais. Em seguida, analisamos o campo através de duas lentes focais: Da perspectiva da IA, o estudo detalha os pontos fortes dos LLMs em reconhecimento de padrões, análise preditiva e processamento de linguagem natural para mineração de literatura, caracterização de materiais e previsão de propriedades; da perspectiva da ciência dos materiais, destaca aplicações no projeto de materiais, otimização de processos e a aceleração de fluxos de trabalho computacionais via integração com ferramentas externas (ex.: DFT, laboratórios robóticos). Por fim, contrastamos abordagens passivas e reativas com o design agentivo, catalogando contribuições atuais enquanto motivamos sistemas que perseguem objetivos de longo prazo com autonomia, memória e uso de ferramentas. Este estudo traça um roteiro prático rumo a agentes de LLM autónomos e conscientes da segurança, voltados para a descoberta de materiais novos e úteis.
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.