Wetenschappers hebben een nieuw theoretisch kader voorgesteld om de transitie van computergestuurde simulaties naar volledig zelfstandige ontdekkingen binnen de computationele materiaalkunde te structureren. In een publicatie die op 29 september 2026 verscheen op de preprint-server arXiv, pleiten auteurs zoals Linggang Zhu, Jian Zhou en Zhimei Sun voor een gestandaardiseerde methode om de rol van kunstmatige intelligentie (AI) in dit vakgebied te classificeren.
Volgens de arxiv.org bevindt de sector zich momenteel op een cruciaal punt. Dit komt door de samenkomst van agentische AI, fundatiemodellen die specifiek voor materialen zijn ontwikkeld en grote taalmodellen (LLM's). Hoewel datagestuurde modellering en high-throughput computation de schaal van het onderzoek al hebben vergroot, bleef de uiteindelijke wetenschappelijke besluitvorming tot nu toe primair in handen van mensen.
Om de verschuiving naar systemen die zelfstandig kunnen redeneren en strategieën kunnen aanpassen in kaart te brengen, hebben de auteurs het Computational Materials Agent Autonomy Level (CMA-AL) framework ontwikkeld. Dit model fungeert als een taxonomische gids om de mate van volwassenheid van AI-systemen te beoordelen. Het framework onderscheidt zes specifieke niveaus van autonomie:
- Scripted executor: Systemen die uitsluitend vooraf vastgelegde scripts uitvoeren.
- LLM-assisted operator: Operaties waarbij taalmodellen ondersteuning bieden.
- Adaptive explorer: AI die in staat is om op adaptieve wijze nieuwe gebieden te verkennen.
- Experiment-ready modeler: Modellen die resultaten leveren die direct geschikt zijn voor validatie in een experiment.
- Agentic digital twin: Digitale kopieën die autonoom interacties kunnen simuleren.
- Self-extending intelligence: Systemen die hun eigen capaciteiten en kennis onafhankelijk kunnen uitbreiden.
De auteurs stellen in hun dat dit model een gemeenschappelijke taal biedt om de technologische hindernissen te identificeren die overwonnen moeten worden om hogere graden van autonomie te bereiken.
Een essentieel onderdeel van dit onderzoek is het onderscheid tussen traditionele automatisering en agentische autonomie. Waar een vocabulary.com doorgaans wordt gezien als een handeling die door een machine wordt uitgevoerd zonder menselijke tussenkomst om specifieke taken te voltooien, gaat agentische AI verder. Het draait hierbij niet enkel om de uitvoering, maar om het vermogen van het systeem om zelfstandig beslissingen te nemen en de aanpak te wijzigen op basis van behaalde resultaten.
Het uiteindelijke doel van het CMA-AL framework is om een routekaart te bieden voor de toekomst van de materiaalkunde. Door huidige systemen te mappen op de zes niveaus, kunnen tekortkomingen in de huidige technologie worden blootgelegd. De visie van de onderzoekers is een toekomst waarin de ontdekking van nieuwe materialen minder afhankelijk is van handmatige menselijke sturing en in plaats daarvan wordt gedreven door redenerende, autonome systemen. Meer details over de technische vereisten per niveau zijn terug te vinden in de op arXiv.