재료 과학을 위한 지능형 에이전트 연구

Towards Agentic Intelligence for Materials Science

인공지능과 재료 과학의 융합은 혁신적인 기회를 제공하지만, 진정한 발견 가속화를 위해서는 특정 작업에 최적화된 모델을 넘어 계획하고, 행동하며, 전체 발견 과정을 통해 학습하는 에이전트 시스템으로 발전해야 합니다. 본 연구는 데이터 수집 및 사전 학습부터 도메인 적응 및 지시 튜닝을 거쳐 시뮬레이션 및 실험 플랫폼과 상호 작용하는 목표 지향적 에이전트에 이르기까지, 고유한 파이프라인 중심의 관점을 제시합니다. 기존 연구와 달리, 우리는 전체 프로세스를 실질적인 발견 결과에 최적화될 수 있도록 엔드 투 엔드 시스템으로 간주하며, 프록시 벤치마크에 집중하지 않습니다. 이러한 관점을 통해 데이터 큐레이션 및 학습 목표와 같은 상위 수준의 설계 선택이 효과적인 보상 할당을 통해 하위 수준의 실험적 성공과 어떻게 연결될 수 있는지 분석합니다. 본 연구는 커뮤니티 간의 소통을 촉진하고 공통된 이해의 틀을 확립하기 위해, 인공지능 및 재료 과학 분야의 용어, 평가 및 워크플로우 단계를 통합하는 프레임워크를 제시합니다. 또한, 본 연구는 인공지능 관점에서 LLM의 패턴 인식, 예측 분석 및 자연어 처리 기술을 활용하여 문헌 분석, 재료 특성화 및 물성 예측에 어떻게 활용될 수 있는지, 그리고 재료 과학 관점에서 재료 설계, 공정 최적화 및 외부 도구(예: DFT, 로봇 실험실)와의 통합을 통해 계산 워크플로우를 어떻게 가속화할 수 있는지 분석합니다. 마지막으로, 본 연구는 수동적이고 반응적인 접근 방식과 능동적인 설계 방식을 비교하고, 현재 연구 성과를 정리하면서 자율성, 기억 및 도구 사용을 통해 장기적인 목표를 추구하는 시스템의 필요성을 강조합니다. 본 연구는 혁신적이고 유용한 재료를 발견하는 데 목표를 둔 자율적이고 안전성을 고려한 LLM 에이전트를 개발하기 위한 실질적인 로드맵을 제시합니다.

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.