METASYMBO: 다중 에이전트 기반 언어 가이드형 메타물질 발견을 위한 심볼릭 잠재적 진화

METASYMBO: Multi-Agent Language-Guided Metamaterial Discovery via Symbolic Latent Evolution

메타물질 발견은 특정 기하학적 구조를 통해 목표로 하는 기계적 특성을 유도하는 미세 구조 재료를 찾는 과정입니다. 기존의 역설계 방법은 후보 물질을 효율적으로 생성할 수 있지만, 일반적으로 명시적인 수치적 특성 목표가 필요하며, 연구자들이 불완전한 제약 조건과 자연어 표현으로 된 질적인 의도를 가지고 탐색을 시작하는 초기 단계에는 적합하지 않습니다. 대규모 언어 모델은 이러한 의도를 해석할 수 있지만, 기하학적 인식과 물리적 특성 검증 능력이 부족합니다. 이러한 격차를 해결하기 위해, 우리는 언어 가이드형 메타물질 발견을 위한 다중 에이전트 프레임워크인 MetaSymbO를 제안합니다. MetaSymbO는 세 가지 에이전트로 구성됩니다. 첫째, 자유 형식의 설계 의도를 해석하고 의미적으로 일관된 기본 구조를 검색하는 설계자(Designer)입니다. 둘째, 분리된 잠재 공간에서 후보 미세 구조를 합성하는 생성자(Generator)입니다. 셋째, 반복적인 개선을 위한 빠른 특성 기반 피드백을 제공하는 감독자(Supervisor)입니다. 기존 연구 및 훈련 데이터에서 알려진 샘플을 재현하는 한계를 극복하기 위해, 우리는 심볼릭 잠재적 진화를 도입했습니다. 이는 추론 시 분리된 잠재 요인에 프로그래밍 가능한 연산자를 적용하여 구조를 구성, 수정 및 개선합니다. 광범위한 실험 결과, (i) MetaSymbO는 최첨단 기준 모델에 비해 대칭성 측면에서 최대 34%, 주기성 측면에서 거의 98%까지 구조적 유효성을 향상시킵니다. (ii) MetaSymbO는 고급 추론 LLM과 비교하여 약 6~7% 더 높은 언어 가이드 점수를 달성하면서도 우수한 구조적 참신성을 유지합니다. (iii) 질적 분석 결과, 심볼릭 논리 연산자가 프로그래밍 가능한 의미적 정렬을 가능하게 하는 데 효과적임을 확인했습니다. (iv) 음성 특성 및 높은 강성을 갖는 메타물질 설계에 대한 실제 사례 연구는 MetaSymbO의 실용적인 능력을 더욱 검증합니다.

Metamaterial discovery seeks microstructured materials whose geometry induces targeted mechanical behavior. Existing inverse-design methods can efficiently generate candidates, but they typically require explicit numerical property targets and are less suitable for early-stage exploration, where researchers often begin with incomplete constraints and qualitative intents expressed in natural language. Large language models can interpret such intents, but they lack geometric awareness and physical property validity. To address this gap, we propose MetaSymbO, a multi-agent framework for language-guided Metamaterial discovery via Symbolic-driven latent evOlution. Specifically, MetaSymbO contains three agents: a Designer that interprets free-form design intents and retrieves a semantically consistent scaffold, a Generator that synthesizes candidate microstructures in a disentangled latent space, and a Supervisor that provides fast property-aware feedback for iterative refinement. To move beyond the limitations of reproducing known samples from literature and training data, we further introduce symbolic-driven latent evolution, which applies programmable operators over disentangled latent factors to compose, modify, and refine structures at inference time. Extensive experiments demonstrate that (i) MetaSymbO improves structural validity by up to 34% in symmetry and nearly 98% in periodicity compared to state-of-the-art baselines; (ii) MetaSymbO achieves about 6-7% higher language-guidance scores while maintaining superior structure novelty compared to advanced reasoning LLMs; (iii) qualitative analyses confirm the effectiveness of symbolic logic operators in enabling programmable semantic alignment; and (iv) realworld case studies on auxetic, high-stiffness metamaterial design further validate its practical capability.