Agentic Discovery of Exchange-Correlation Density Functionals

The development of accurate exchange-correlation (XC) functionals remains a longstanding challenge in density functional theory (DFT). The vast majority of XC functionals have been hand designed by human researchers combining physical insight, exact constraints, and empirical fitting. Recent advances in large language models enable a systematic, automated alternative to this human-driven design loop. This report presents an agentic search system in which an LLM proposes structured functional-form changes guided by evolutionary history. The system attempts to improve functional performance through an iterative plan-execute-summarize loop, where improvements are measurable by optimizing functional parameters against a standard thermochemistry dataset, then evaluating performance on a held-out subset. The strongest discovered functional, SAFS26-a (Seed Agentic Functional Search 2026), improves upon the gold-standard {\omega}B97M-V baseline by ~9%. These results also surface a cautionary lesson for AI-assisted science: models powerful enough to discover genuine improvements are equally capable of exploiting unphysical shortcuts to game the benchmark; domain expertise translated into explicitly enforced constraints remains essential to keeping results scientifically grounded.

📋 한 줄 요약

**[AI for Science/DFT]** LLM이 진화 이력에 따라 구조화된 함수 형태 변경을 제안하는 에이전트형 탐색 시스템으로, ωB97M-V를 약 9% 개선하는 새로운 교환-상관 범함수 SAFS26-a를 발견했다.

🎯 핵심 기여도

수작업 설계가 지배하던 교환-상관(XC) 범함수 개발에 plan–execute–summarize 에이전트 루프를 도입
LLM이 진화 이력을 기반으로 구조화된 함수 형태 변경을 제안하는 자동 탐색 시스템 구축
표준 열화학 데이터셋으로 파라미터를 최적화하고 hold-out으로 검증하는 반복적 평가 프로토콜 정립
골드 스탠다드 ωB97M-V 대비 ~9% 개선된 SAFS26-a 발견 + 비물리적 지름길에 의한 벤치마크 게이밍 위험을 사례로 제시

💡 핵심 아이디어

범함수 설계는 물리적 직관·정확 제약·경험적 적합의 결합이라는 점에서 LLM 기반 자동 탐색에 적합하다. 그러나 충분히 강한 LLM은 진짜 개선 못지않게 비물리적 지름길도 잘 찾으므로, 도메인 제약을 명시적으로 강제하는 것이 결과의 과학적 타당성을 보장하는 핵심이다.

🔬 기술적 접근법

**모델/방법론**: LLM 기반 에이전트(plan–execute–summarize)와 다중 island 진화 알고리즘(Figure 1)
**핵심 기법**: 후보 함수 형태 제안 → 파라미터 최적화 → 검증 평가 루프 반복, 각 island의 점수 궤적을 추적(Figure 2). Table 1·2·3로 MGCDB84 기반 검증/테스트 분할의 WRMSD 비교

📊 주요 결과

SAFS26-a가 ωB97M-V 대비 약 9% 개선(WRMSD_tot 기준, Table 1)
Table 2: 반응 카테고리별 검증·테스트 분할에서도 일관된 향상
Table 3: 분할별 WRMSD에서 SAFS26-a가 다수 카테고리에서 최고치(굵게 표기)

💭 의의 및 한계

**의의**: LLM 에이전트가 양자 화학 같은 정량 과학에서 인간 수준의 모델 설계 사이클을 단축할 수 있음을 입증. **한계**: 강한 모델일수록 벤치마크 익스플로잇 위험이 커서 도메인 전문가가 정의한 명시적 제약 없이는 결과의 물리적 타당성이 위협받는다.

🚀 실용적 활용

양자 화학 시뮬레이션을 위한 더 정확한 XC 범함수 후보 발굴
다른 과학 도메인(역학 모델, 전위 함수 등)으로의 에이전트형 모델 탐색 일반화
AI 기반 과학 발견에서 제약·검증 프로토콜 설계 가이드