論文の概要: Can ChatGPT be used to generate scientific hypotheses?

• arxiv url: http://arxiv.org/abs/2304.12208v1
• Date: Thu, 30 Mar 2023 20:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-04-30 07:39:38.001763
• Title: Can ChatGPT be used to generate scientific hypotheses?
• Title（参考訳）: ChatGPTは科学的仮説を生成できるのか?
• Abstract要約: 生成AIは、膨大な量の科学的知識を効果的に構築し、興味深く検証可能な仮説を提供することができるようだ。 将来の科学企業には、自動実験と敵対的ピアレビューによって挑戦された「仮説マシン」の群れとのシナジスティックな取り組みが含まれるかもしれない。
• 参考スコア（独自算出の注目度）: 0.2010294990327175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate whether large language models can perform the creative hypothesis generation that human researchers regularly do. While the error rate is high, generative AI seems to be able to effectively structure vast amounts of scientific knowledge and provide interesting and testable hypotheses. The future scientific enterprise may include synergistic efforts with a swarm of "hypothesis machines", challenged by automated experimentation and adversarial peer reviews.
• Abstract（参考訳）: 大規模言語モデルが人間の研究者が定期的に行う創造的仮説生成を実現することができるかどうかを検討する。 エラー率は高いが、生成AIは膨大な量の科学的知識を効果的に構築し、興味深く検証可能な仮説を提供することができるようだ。 将来の科学企業には、自動化された実験と敵対的ピアレビューによって挑戦される「仮説機械」の群れとの相乗的取り組みが含まれるかもしれない。

関連論文リスト

• HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses [35.57672494910454]
  エージェントコラボレーションの異なる形態が仮説品質にどのように影響するかは、未解決の問題である。 仮説人口の連続的な更新を通じて協調を明確にするHypoEvolveを紹介する。 各世代は、科学的判断と新しい提案がいかに人口を再形成するかを規定し、仮説品質への協調効果を直接的に検証できる。
  論文  参考訳（メタデータ） (2026-09-14T17:44:49Z)
• Toward Auditable AI Scientists: A Hypothesis Evolution Protocol for LLM Agents [0.42970700836450476]
  大規模言語モデル(LLM)エージェントは、AIによる科学的発見において、ますます中心的な役割を果たすことが期待されている。 本稿では、仮説生成、評価、進化を明示的で監査可能な操作として提供するエージェントハーネスである仮説進化プロトコル(HEP)を提案する。 材料科学研究タスクにおいて、HEPを組み込んだエージェントは、計画的なエージェントが欠如している仮説-テスト-エビデンス-ビリーフサイクルを運用し、研究課題を一般化し、基礎LLMがより有能になるにつれてプロトコルをより完全に活用する。
  論文  参考訳（メタデータ） (2026-07-10T08:39:30Z)
• Contemporary AI lacks the imagination to diverge or negate in science [4.024882945191284]
  生物学、医学、化学、社会科学にまたがる121,640人の著者が、自分たちの論文の文脈やパズルから大きな言語モデルが生成されるという考えを判断するために招かれた。 6,749人の科学者が25,139セットのノベルティ、経験的実現可能性、真である可能性、養子縁組の適性について評価した。 第二に、社会科学者は生命科学者よりもリスクを容認するが、新奇性よりも自分自身に類似したアイデアと賞の確率に報いる。 第3に、コミュニティが現在依存している自動評価は、専門家の判断と弱く一致し、検索の強化と科学者のペルソナは利得の限界のみを推し進める。
  論文  参考訳（メタデータ） (2026-06-06T16:39:28Z)
• Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
  我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。 本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T09:20:12Z)
• AI Can Learn Scientific Taste [123.03470627335189]
  偉大な科学者は、私たちが科学的な趣味と呼ぶものと密接に結びついている、強い判断と先見性を持っている。 ここでは、この用語を用いて、潜在的な影響の高い研究アイデアを判断し、提案する能力を指す。 我々の研究結果は、AIが科学的嗜好を学習できることを示し、人間レベルのAI科学者に到達するための重要なステップをマークしている。
  論文  参考訳（メタデータ） (2026-03-15T16:31:51Z)
• BABE: Biology Arena BEnchmark [51.53220868983288]
  BABEは、生物学的AIシステムの実験的推論能力を評価するために設計されたベンチマークである。 われわれのベンチマークは、AIシステムが科学者を実践するのと同じように、いかにうまく判断できるかを評価するための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-02-05T16:39:20Z)
• Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
  大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。 本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。 オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
  論文  参考訳（メタデータ） (2025-10-10T22:26:26Z)
• Position: Intelligent Science Laboratory Requires the Integration of Cognitive and Embodied AI [98.19195693735487]
  知的科学研究所(ISL)のパラダイムを提案する。 ISLは、認知と具体的知性を深く統合した多層クローズドループフレームワークである。 このようなシステムは、現在の科学的発見の限界を克服するために不可欠である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-24T13:31:44Z)
• Matter-of-Fact: A Benchmark for Verifying the Feasibility of Literature-Supported Claims in Materials Science [1.7113423851651721]
  本稿では,仮説の妥当性をクレームとして決定するための課題データセットであるMatter-of-Factを紹介する。 科学的文献やコード生成に比較して,検索の強化を含む強力なベースラインが72%以上の性能を達成できないことを示す。
  論文  参考訳（メタデータ） (2025-06-04T19:43:18Z)
• AI Scientists Fail Without Strong Implementation Capability [33.232300349142285]
  人工知能(AI)科学者の出現は、科学的発見のパラダイムシフトを表している。 最近のAI Scientist研究は、独立した科学的発見のための十分な能力を示している。 この大きな進歩にもかかわらず、AI Scientistはコンピュータ科学の分野における画期的な成果をまだ生み出していない。
  論文  参考訳（メタデータ） (2025-06-02T06:59:10Z)
• Toward Reliable Scientific Hypothesis Generation: Evaluating Truthfulness and Hallucination in Large Language Models [18.850296587858946]
  TruthHypoは,真理仮説を生成する上で,大規模言語モデルの能力を評価するためのベンチマークである。 KnowHDは知識に基づく幻覚検出装置で、既存の知識に基づいて仮説がどれだけうまく構築されているかを評価する。
  論文  参考訳（メタデータ） (2025-05-20T16:49:40Z)
• Sparks of Science: Hypothesis Generation Using Structured Paper Data [1.250723303641055]
  我々は,最上位のコンピュータサイエンスカンファレンスから抽出された約5500の構造化問題と仮説のペアの最初のデータセットであるHypoGenを紹介する。 我々は,Bit-Flip-SparkとChain-of-Reasoningをモデルとして,フレーミング仮説の生成を条件付き言語モデリングとして示す。 得られた仮説の新規性、実現可能性、および全体的な品質を改善するために、私たちのHypoGenデータセットを微調整することで、その妥当性が向上することを示す。
  論文  参考訳（メタデータ） (2025-04-17T14:29:18Z)
• Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
  自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。 AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。 これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2025-03-28T14:00:27Z)
• Towards an AI co-scientist [48.11351101913404]
  Gemini 2.0上に構築されたマルチエージェントシステムであるAIコサイシストを紹介する。 このAIの共同科学者は、新しい独創的な知識を解明し、明らかに新しい研究仮説を定式化することを目的としている。 システムの設計には、科学的手法にインスパイアされた仮説生成への生成、議論、進化のアプローチが組み込まれている。
  論文  参考訳（メタデータ） (2025-02-26T06:17:13Z)
• Two Heads Are Better Than One: A Multi-Agent System Has the Potential to Improve Scientific Idea Generation [48.29699224989952]
  VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。 このマルチエージェントアプローチは、新規で影響力のある科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-12T07:16:22Z)
• Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
  我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。 原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。 また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• "Turing Tests" For An AI Scientist [0.0]
  本稿では,AIエージェントが独立して科学的研究を行うことができるかどうかを評価するために,AI科学者の研修試験を提案する。 我々は,AIエージェントが様々な科学領域において画期的な発見を行う能力を評価する7つのベンチマークテストを提案する。
  論文  参考訳（メタデータ） (2024-05-22T05:14:27Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。 科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• The Generative AI Paradox: "What It Can Create, It May Not Understand" [81.89252713236746]
  生成AIの最近の波は、潜在的に超人的な人工知能レベルに対する興奮と懸念を引き起こしている。 同時に、モデルは、専門家でない人でも期待できないような理解の基本的な誤りを示している。 一見超人的な能力と、ごく少数の人間が起こすエラーの持続性を、どうやって再現すればよいのか?
  論文  参考訳（メタデータ） (2023-10-31T18:07:07Z)
• Can Large Language Models Discern Evidence for Scientific Hypotheses? Case Studies in the Social Sciences [3.9985385067438344]
  強い仮説は、既存の証拠に基づく最良の推理であり、関連する文献の包括的な見解によって知らされる。 毎年発行される科学論文の数が指数関数的に増加すると、ある仮説に関連する証拠の手作業による集約と合成は困難である。 我々は,社会科学における研究のコミュニティ主導のアノテーションを用いた科学的仮説の課題のための新しいデータセットを共有する。
  論文  参考訳（メタデータ） (2023-09-07T04:15:17Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• Accelerating science with human-aware artificial intelligence [2.7786142348700658]
  教師なしモデルのトレーニングにより、人間の専門知識の分布を取り入れることで、将来の発見のAI予測が劇的に向上する(最大400%)。 これらのモデルは、人間の予測とそれを作る科学者を予測することで成功します。 人間の発見を加速する、あるいはその盲点を探索するAIは、現代科学の最前線を行き来することを可能にする。
  論文  参考訳（メタデータ） (2023-06-02T12:43:23Z)
• Accelerating science with human versus alien artificial intelligences [3.6354412526174196]
  人間の専門知識の分布を自己監督モデルに組み込むことで、将来の人間の発見や発明のAI予測が劇的に向上することを示す。 これらのモデルは、人間の予測とそれを作る科学者を予測することで成功する。 しかし、群衆を避けるためにAIを調整することによって、介入なしに想像または追求される可能性が低い科学的に有望な「エイリアン」仮説を生成します。
  論文  参考訳（メタデータ） (2021-04-12T03:50:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。