34 examples of llm applications in materials science and chemistry: Towards automation, assistants, agents, and accelerated scientific discovery

Motivation

• Known: LLM은 분자 성질 예측, 자동화된 실험 워크플로우, 사용자 인터페이스 개발 등 화학·재료과학 연구에 활용되어 왔다. 최근 모델들은 구조화된 데이터와 비정형 데이터를 통합하고 가설 생성을 지원할 수 있다.
• Gap: LLM의 급속한 발전에도 불구하고 재료과학과 화학 분야의 구체적인 고영향 응용 사례, 효과적인 구현 방식, 그리고 신뢰성·해석가능성·재현성 문제에 대한 체계적 분석이 부족하다.
• Why: LLM은 복잡한 데이터 양식, 이질적인 데이터 포맷, 희소한 실험 데이터셋을 다루는 재료과학·화학 분야에서 특히 가치 있으며, 연구 수명주기 전체에 걸친 통합적 활용이 가능하기 때문이다.
• Approach: 제2회 재료과학·화학 LLM 해커톤에서 수집한 34개 프로젝트를 분자/재료 성질 예측, 설계, 자동화, 과학 커뮤니케이션, 데이터 관리, 가설 생성, 지식 추출 등 7개 연구 영역으로 분류하여 분석한다.

Achievement

Figure 1: The LLM-Powered Research Constellation. At each stage of the research process, from initial

• 분자/재료 성질 예측: 오비탈 기반 본딩 분석 정보, 3D 분자 특징 벡터, 분광 데이터 등을 활용하여 저데이터 환경에서 성능 향상
• 분자/재료 설계: 거대 환형 펩타이드(MC-Peptide), 저밴드갭 금속-유기 프레임워크(MOF), 지속가능한 건설 재료 등의 자동 설계 워크플로우 개발
• 자동화 및 새로운 인터페이스: LangSim, LLMicroscopilot 등 자연언어 기반 인터페이스로 복잡한 과학 도구의 접근성 향상
• 과학 커뮤니케이션 및 교육: MaSTeA, LLMy-Way 등 맞춤형 교육 어시스턴트로 학습 경험 개선
• 연구 데이터 관리: yeLLowhaMMer, LLMads, NOMAD Query Reporter 등 다중모달 에이전트를 통한 자동화된 데이터 처리
• 가설 생성 및 평가: 다중 AI 에이전트와 통계적 접근을 통한 과학적 가설의 자동 생성 및 검증
• 지식 추출 및 추론: 과학 문헌에서의 구조화된 정보 추출 및 지식 그래프 기반 추론

How

Figure 2: Schematic depicting the prompt for fine-tuning the LLM with Alpaca prompt format.

• 제2회 LLM 해커톤 개최를 통한 글로벌 집단지성(crowdsourcing) 활용
• 34개 프로젝트를 7개 핵심 연구 영역으로 분류하여 체계적 분석
• 오픈소스 LLM(예: Alpaca)과 상용 LLM(GPT-4, Claude 등) 모두 활용
• ReAct 에이전트, 프롬프트 엔지니어링, 파인튜닝 등 다양한 기법 적용
• GitHub 저장소 링크 제공으로 재현성 및 접근성 확보
• 구조화된 데이터와 비정형 데이터의 통합 처리
• 저데이터 환경 및 학제간 연구에 최적화된 솔루션 개발

Originality

• 재료과학·화학 분야의 LLM 응용을 7개 연구 영역으로 체계적으로 분류한 첫 번째 종합 분석
• 과학 해커톤이라는 혁신적 협업 프레임워크를 통한 대규모 다학제 프로젝트 수집
• LLM을 단순 예측 모델이 아닌 다목적 과학 도구 플랫폼으로 개념화
• 연구 수명주기 전체(아이디어→실험→커뮤니케이션→반복)를 망라하는 LLM 응용 제시
• 저데이터 환경에서의 LLM 효과 입증 및 실험적 검증

Limitation & Further Study

• 신뢰성 문제: LLM의 환각(hallucination) 현상이 과학 응용에서 검증 오류 야기 가능
• 해석가능성 부족: 복잡한 LLM 의사결정 과정의 투명성 및 설명가능성 미흡
• 재현성 도전: 모델 버전 변화와 확률적 특성으로 인한 결과 재현성 한계
• 도메인 특화성: 일반 LLM의 재료과학·화학 도메인 지식 제한적
• 계산 비용: 대규모 모델 운영의 금전적·환경적 비용
• 후속 연구 필요: 도메인 특화 파인튜닝, 검증 메커니즘 강화, 신뢰도 평가 지표 개발, 실제 실험실 통합 연구 필요

Evaluation

총평: 본 논문은 재료과학·화학 분야에서 LLM의 광범위한 응용 사례를 체계적으로 분석하여 AI 기반 과학 발견의 가능성을 명확히 보여준다. 다만 신뢰성, 해석가능성, 재현성 등의 근본적 과제 해결이 실제 과학 워크플로우 통합의 선결 조건이다.