생성 모델(Generative models)은 재료 발견(materials discovery) 과정을 혁신적으로 변화시켰으나, 근본적인 물리적 인과관계(physical causality)를 충족하는 데 종종 실패합니다. 최신 문헌에서 추출한 지식 그래프(Knowledge Graphs, KGs)로 증강된 대규모 언어 모델(Large Language Models, LLMs)을 분석한 결과, 모델이 전역적인 물리적 추론(global physical reasoning)을 억제하는 동시에 좁고 검색된 증거에 과도하게 고착되는 '맥락적 터널링(contextual tunneling)'이라 불리는 현상을 발견했습니다. 이 문제를 해결하기 위해, 우리는 지식 사용을 메커니즘적 완전성(mechanistic completeness)에 따라 조건화하는 인과 인지 프레임워크인 ARIA를 소개합니다. ARIA는 각 쿼리를 다음과 같은 3단계 캐스케이드(three-tier cascade)를 통해 라우팅합니다: (i) 공정-구조-물성(Process-Structure-Property, PSP)의 완전한 증거 사슬이 가용한 경우의 직접적인 인과 추론(direct causal reasoning), (ii) 희소하거나 새로운 재료 시스템을 위한 물리 정보 기반 유추적 전이(physics-informed analogical transfer), (iii) 외부 증거가 불완전할 때의 명시적인 파라미터 기반 폴백(explicit parametric fallback). 개념 증명(proof of concept)으로서, 우리는 재료 문헌의 피어 리뷰 논문에서 추출한 2,839개의 PSP 관계를 포함하는 지식 그래프(Knowledge Graph, KG)를 구축하고, 2차원(2D) 재료에 대한 순방향 예측(forward prediction) 및 역설계(inverse design) 작업에서 ARIA를 평가했습니다. ARIA는 맥락적 터널링을 완화하고, 증강되지 않은 모델 및 단순 KG 증강 베이스라인(baselines)보다 성능을 개선하며, 증거 보강을 위해 온라인 문헌 검색을 사용할 때 추가적인 이득을 제공합니다. 결정적으로, ARIA는 감사 가능한 인과적 흔적(auditable causal traces)을 생성하여, 물리적으로 근거가 있고 신뢰할 수 있는 AI 지원 재료 발견을 가능하게 합니다.