2026年4月27日にarXivで公開された論文『Agentic Fusion of Large Atomic and Language Models to Accelerate Materials Discovery』は、材料探索AIを単体モデル運用からエージェント型統合運用へ移行させる枠組み『ElementsClaw』を提示した。中核は、独自提案モデル『Elements』をファインチューニングして構築した一群のLAM（Large Atomic Models）ツールを、LLMがユーザー要件に応じて動的にオーケストレーションする設計にある。原子スケールの数値計算はLAM側が担い、高次の意味推論と手順制御をLLMが担う分業構造である。
実証領域として選ばれたのは超伝導体探索で、エージェントは実験合成の案内まで行い、転移温度6.8KのZr3ScRe8、6.7KのHfZrRe4を含む4種の新超伝導体が合成された。スケール面では240万を超える安定結晶をわずか28GPU時間で処理し、6万8000件の高信頼超伝導候補を抽出したと報告されている。既知の超伝導空間を大きく拡張する数値である。
読者視点では、予測モデルや生成モデルを単体で評価する段階から、複数モデルをエージェントで束ねた探索パイプライン全体として評価する段階へ比較軸が移ることが含意となる。エネルギー・量子技術に関わる素材開発の現場では、合成到達件数、スクリーニングのGPU時間、候補数という実測値が新しい参照点になる。一方で、エージェントが主導した合成経路の再現性検証や、LAM/LLMそれぞれの寄与の切り分けなど、運用面での確認事項も残る。
