ProvMind: 출처 기반 추론을 활용한 물질 합성

ProvMind: Provenance-grounded reasoning for materials synthesis

물질 공정 최적화는 경로, 조건, 도구 및 인과 관계에 대한 추론을 필요로 하지만, 대부분의 계산 모델은 합성 절차를 텍스트 또는 순서대로 나열된 단계로 단순화합니다. 본 연구에서는 문헌에서 추출한 MatPROV 그래프로 구성된 출처 기반 벤치마크인 MatProcBench를 소개하여 경로 연속성, 단계별 변수 추론 및 전반적인 인과적 일관성을 평가합니다. 동일 데이터 분할(same-split) 및 시프트 인식(shift-aware) 평가 방식을 모두 사용하며, 특히 시간 및 물질 클래스 변화를 결합한 엄격한 이중 일반화 성능 테스트(dual-OOD split)를 포함합니다. 또한, 본 연구에서는 유사한 학습 공정을 검색하고 이를 출처 정보를 고려한 단계별 호환성 점수로 변환하여 제한된 최종 의사 결정에 활용하는 공정 기억 추론 프레임워크인 ProvMind를 소개합니다. ProvMind는 이중 일반화 성능 테스트에서 52.84%의 정확도를 달성했으며, 이는 프롬프트 기반, 검색 증강 및 지도 학습 방법과 같은 기존 모델보다 뛰어난 성능입니다.

Materials process optimization requires reasoning over routes, conditions, tools and causal dependencies, yet most computational formulations flatten synthesis procedures into text or ordered steps. We introduce MatProcBench, a provenance-grounded benchmark constructed from literature-mined MatPROV graphs, to evaluate seven process-reasoning tasks spanning route continuity, step-level variable inference and global causal consistency under both same-split and shift-aware evaluation, including a strict dual-OOD split that combines temporal and material-class shift. We further introduce ProvMind, a process-memory reasoning framework that retrieves analogous training processes, converts them into provenance-aware option-level compatibility scores, and uses a language model for constrained final decision making. ProvMind achieves 52.84\% accuracy on the dual-OOD split, outperforming prompting, retrieval-augmented and supervised fine-tuning baselines.