論文の概要: Towards Agentic Intelligence for Materials Science

• arxiv url: http://arxiv.org/abs/2602.00169v1
• Date: Thu, 29 Jan 2026 23:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.022682
• Title: Towards Agentic Intelligence for Materials Science
• Title（参考訳）: 材料科学におけるエージェントインテリジェンスを目指して
• Authors: 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,
• Abstract要約: この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
• 参考スコア（独自算出の注目度）: 73.4576385477731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 人工知能と材料科学の収束は、変革的な機会を提供するが、発見において真の加速を達成するには、完全な発見ループを計画し、行動し、学習するエージェントシステムへのタスク分離された、きめ細かい調整されたモデルを超えて移動する必要がある。 この調査は、コーパスキュレーションからプレトレーニング、ドメイン適応とインストラクションチューニング、シミュレーションと実験プラットフォームに面した目標条件付きエージェントに至るまで、ユニークなパイプライン中心の視点を推し進める。 従来のレビューとは異なり、プロセス全体をエンドツーエンドシステムとして扱い、プロキシベンチマークよりも明確な発見結果に最適化します。 この観点から、データキュレーションやトレーニング目標といった上流設計の選択肢が、効果的なクレジット割り当てを通じて下流実験の成功とどのように一致しているかを追跡できます。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。 AIの観点から、調査では、パターン認識、予測分析、文学マイニング、材料特性評価、プロパティ予測のための自然言語処理におけるLLMの強みを詳述している。材料科学の観点からは、材料設計、プロセス最適化、および外部ツール(DFT、ロボティクスラボなど)との統合による計算ワークフローの加速に関する応用に焦点を当てている。 最後に、受動的でリアクティブなアプローチとエージェント設計を対比し、現在のコントリビューションをカタログ化しながら、自律性、メモリ、ツール使用による長期的な目標を追求するシステムを動機付けます。 この調査は、新規で有用な材料を発見することを目的とした、自律的で安全に配慮したLLMエージェントに向けた実践的なロードマップを示す。

関連論文リスト

• Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
  課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。 SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。 本稿では,この新興領域を体系的に調査する。
  論文  参考訳（メタデータ） (2026-01-15T18:55:03Z)
• Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
  自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。 本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-30T17:58:01Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review [0.0]
  機械学習(ML)によるアプローチは、材料発見、プロパティ予測、マテリアルデザインに革命をもたらしている。 このレビューでは、材料の機械的、熱的、電気的、光学的特性を予測するML駆動方式の現実的な応用を強調した。 データ品質、解釈可能性、AutoMLと量子コンピューティングの統合など、重要な課題にも対処しています。
  論文  参考訳（メタデータ） (2025-03-22T15:24:38Z)
• Artificial intelligence approaches for materials-by-design of energetic materials: state-of-the-art, challenges, and future directions [0.0]
  我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。 文献における手法を,少数のデータから学習する能力の観点から評価する。 本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2022-11-15T14:41:11Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Physics in the Machine: Integrating Physical Knowledge in Autonomous Phase-Mapping [10.629434761354938]
  科学インフォームドAIや科学AIは、データ分析から、クローズドループ自律システムにおける実験設計、シミュレーション、実行、分析まで、成長してきた。 CAMEOアルゴリズムは、物質系の構成構造関係を学習し、最適な機能特性を持つ材料組成を特定するという2つの課題に対処するために、科学的なAIを使用する。
  論文  参考訳（メタデータ） (2021-11-15T00:48:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。