First try metadata and keyword expansion for materials database search

코퍼스 수준 테스트시점 검색 확장 · Corpus-level test-time scaling for retrieval via metadata/keyword augmentation2026.11.02

Proposal AI suggestion

Application to materials research remains an unverified proposal.

This method uses an LLM to add metadata and keywords to documents so that the existing search system can find them better. Rather than switching to a stronger search model, it focuses on improving the searchability of the corpus itself.

You can try an experiment that automatically enriches drafts of materials papers, patents, lab notes, and datasheets with material name synonyms, chemical formula variants, process names, equipment names, and measurement conditions. If a standardized keyword field is added to each record being searched, performance can change even with existing BM25 or simple vector search.

This may be especially useful in laboratories or company environments where a legacy search system already exists. Before fully introducing a new indexer, the burden-light way to validate it is to compare recall and post-search noise ratio before and after enrichment.

Materials problem to try it on: 동의어, 약어, 조성 표기, 공정 조건이 제각각인 재료 문헌·데이터 검색 문제
Why it is worth trying now: 최근 테스트시점에서 문서 자체를 확장해 검색 성능을 높이는 방법이 과학 문헌 검색 벤치마크에서 유효하다는 근거가 나오면서, 재료 코퍼스에도 바로 이식해 볼 수 있게 되었습니다.
First step: 재료 관련 문서 200~500개에 대해 제목·초록만으로 자동 키워드 확장을 만든 뒤, 20개의 대표 질의에서 검색 재현율 변화를 측정해 보세요.
Risks and limits: LLM이 잘못된 메타데이터나 과도한 추론 키워드를 붙이면 오히려 검색 오염이 생길 수 있습니다. 대규모 코퍼스에서는 생성 비용과 재색인 비용이 커질 수 있고, 도메인 용어 정규화 규칙이 없으면 효과가 제한적일 수 있습니다.

Evidence Evidence from other fields

아래 링크는 이 기법이 다른 분야에서 통했다는 근거입니다. 소재 분야 적용 결과가 아닙니다.

SAGE: Benchmarking and Improving Retrieval for Deep Research Agents

AI가 최신 기법을 조사해 제안한 방향입니다. 검증된 결과가 아니며, 시도 여부와 위험은 연구 책임자가 판단해야 합니다.

First try metadata and keyword expansion for materials database search

Proposal AI suggestion

Evidence Evidence from other fields

Related concepts and practice