MIND

Abstract

대규모 언어 모델（LLM）의 발전으로 과학적 발견을 위한 에이전트 기반 AI 시스템이 등장하였다. 그러나 대부분의 접근법은 텍스트 기반 추론에 그치고 있으며, 가설을 자동으로 검증하는 실험 과정을 포함하지 못한다. 본 논문에서는 소재 연구에서 가설 검증을 자동화하는 LLM 기반 프레임워크 MIND를 제안한다. MIND는 과학적 발견 과정을 가설 정제, 실험, 토론 기반 검증의 세 단계로 나누고, 이를 다중 에이전트 파이프라인으로 구현한다. 실험적 검증에는 머신러닝 원자간 포텐셜（MLIP）, 그중에서도 SevenNet-Omni를 사용하여 대규모 in-silico 실험을 수행한다. 또한 사용자가 가설 검증을 직접 수행할 수 있는 웹 기반 인터페이스를 제공한다. MIND는 모듈 구조로 설계되어 새로운 실험 모듈을 추가할 수 있으며, 이를 통해 다양한 과학 연구 워크플로우로 확장할 수 있다. 아울러 본 연구는 구성 요소 제거 실험과 시뮬레이션을 사용하지 않는 LLM 베이스라인 비교를 수행하여, 각 설계 요소의 기여와 현 평가 체계의 한계를 함께 분석한다.;Agentic AI systems built on large language models （LLMs） have opened new possibilities for scientific discovery. Yet a recurring limitation is that such systems reason almost entirely over text, leaving hypotheses untested by actual experiments. To address this gap, we introduce MIND, a framework that uses LLMs to validate hypotheses in materials research in an automated manner. Rather than treating discovery as a single step, MIND decomposes it into three coordinated phases （refining a hypothesis, running experiments, and reaching a verdict through agent debate）, each handled by a dedicated component of a multi-agent pipeline. The experimental phase is grounded in Machine Learning Interatomic Potentials, with SevenNet-Omni serving as the simulation engine that makes large-scale in-silico testing feasible. Researchers interact with the system through a web interface designed for hands-on hypothesis testing. Because the pipeline is modular, new experimental backends can be added with little effort, and the framework extends naturally to scientific workflows beyond the cases studied here. We further isolate the contribution of each design component through ablation and compare MIND against simulation-free LLM baselines, clarifying both what the architecture contributes and the limits of the current benchmark.