AI4S-SDS: 희소 MCTS 및 미분 가능한 물리적 정렬을 이용한 신경-기호 용매 설계 시스템

AI4S-SDS: A Neuro-Symbolic Solvent Design System via Sparse MCTS and Differentiable Physics Alignment

화학 제형의 자동 설계는 재료 과학의 핵심이지만, 이는 이산적인 조성 선택과 연속적인 기하학적 제약을 포함하는 고차원 조합 공간을 탐색해야 합니다. 기존의 대규모 언어 모델(LLM) 에이전트는 이 환경에서 상당한 어려움에 직면하는데, 여기에는 장기적인 추론 과정에서의 컨텍스트 윈도우 제한과 경로 의존적인 탐색으로 인한 모드 붕괴 등이 포함됩니다. 이러한 문제를 해결하기 위해, 우리는 다중 에이전트 협업과 맞춤형 몬테카를로 트리 검색(MCTS) 엔진을 통합한 폐루프 신경-기호 프레임워크인 AI4S-SDS를 소개합니다. 우리는 추론 기록을 컨텍스트 길이와 분리하고 고정된 토큰 예산 하에서 임의의 깊이의 탐색을 가능하게 하는 희소 상태 저장 메커니즘과 동적 경로 재구축을 제안합니다. 지역적인 수렴을 줄이고 탐색 범위를 넓히기 위해, 우리는 글로벌-로컬 검색 전략을 구현합니다. 메모리를 기반으로 하는 계획 모듈은 과거 피드백에 따라 검색의 시작점을 적응적으로 재구성하고, 형제 인식 확장 메커니즘은 노드 수준에서 직교적인 탐색을 촉진합니다. 또한, 우리는 미분 가능한 물리 엔진을 사용하여 기호 추론과 물리적 타당성을 연결하고, 열역학적 제약 조건 하에서 연속적인 혼합 비율을 최적화하기 위해 희소성을 유도하는 정규화를 사용하는 하이브리드 정규화 손실을 사용합니다. 실험 결과는 AI4S-SDS가 채택된 HSP 기반 물리적 제약 조건 하에서 완전한 유효성을 달성하며, 기준 에이전트보다 훨씬 더 다양한 탐색 결과를 제공한다는 것을 보여줍니다. 예비 리소그래피 실험에서는 이 프레임워크가 상업적 벤치마크와 경쟁하거나 우수한 성능을 보이는 새로운 포토레지스트 현상액 제형을 식별했으며, 이는 다양성을 기반으로 하는 신경-기호 검색이 과학적 발견에 기여할 수 있는 잠재력을 강조합니다.

Automated design of chemical formulations is a cornerstone of materials science, yet it requires navigating a high-dimensional combinatorial space involving discrete compositional choices and continuous geometric constraints. Existing Large Language Model (LLM) agents face significant challenges in this setting, including context window limitations during long-horizon reasoning and path-dependent exploration that may lead to mode collapse. To address these issues, we introduce AI4S-SDS, a closed-loop neuro-symbolic framework that integrates multi-agent collaboration with a tailored Monte Carlo Tree Search (MCTS) engine. We propose a Sparse State Storage mechanism with Dynamic Path Reconstruction, which decouples reasoning history from context length and enables arbitrarily deep exploration under fixed token budgets. To reduce local convergence and improve coverage, we implement a Global--Local Search Strategy: a memory-driven planning module adaptively reconfigures the search root based on historical feedback, while a Sibling-Aware Expansion mechanism promotes orthogonal exploration at the node level. Furthermore, we bridge symbolic reasoning and physical feasibility through a Differentiable Physics Engine, employing a hybrid normalized loss with sparsity-inducing regularization to optimize continuous mixing ratios under thermodynamic constraints. Empirical results show that AI4S-SDS achieves full validity under the adopted HSP-based physical constraints and substantially improves exploration diversity compared to baseline agents. In preliminary lithography experiments, the framework identifies a novel photoresist developer formulation that demonstrates competitive or superior performance relative to a commercial benchmark, highlighting the potential of diversity-driven neuro-symbolic search for scientific discovery.