Fugu-MT 論文翻訳(概要): Beyond designer's knowledge: Generating materials design hypotheses via large language models

論文の概要: Beyond designer's knowledge: Generating materials design hypotheses via large language models

arxiv url: http://arxiv.org/abs/2409.06756v1
Date: Tue, 10 Sep 2024 16:28:50 GMT
ステータス: 処理完了
システム内更新日: 2024-09-12 17:19:05.394704
Title: Beyond designer's knowledge: Generating materials design hypotheses via large language models
Title（参考訳）: デザイナーの知識を超えて:大規模言語モデルによる材料設計仮説の生成
Authors: Quanliang Liu, Maciej P. Polak, So Yeon Kim, MD Al Amin Shuvo, Hrishikesh Shridhar Deodhar, Jeongsoo Han, Dane Morgan, Hyunseok Oh,
Abstract要約: この研究は、大規模言語モデル(LLM)が非自明な物質仮説を効果的に生成できることを実証している。これらには、優れた低温特性を有する高エントロピー合金の設計アイデアと、イオン伝導率と成形性を高めた固体電解質が含まれる。
参考スコア（独自算出の注目度）: 4.491982552961794
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Materials design often relies on human-generated hypotheses, a process inherently limited by cognitive constraints such as knowledge gaps and limited ability to integrate and extract knowledge implications, particularly when multidisciplinary expertise is required. This work demonstrates that large language models (LLMs), coupled with prompt engineering, can effectively generate non-trivial materials hypotheses by integrating scientific principles from diverse sources without explicit design guidance by human experts. These include design ideas for high-entropy alloys with superior cryogenic properties and halide solid electrolytes with enhanced ionic conductivity and formability. These design ideas have been experimentally validated in high-impact publications in 2023 not available in the LLM training data, demonstrating the LLM's ability to generate highly valuable and realizable innovative ideas not established in the literature. Our approach primarily leverages materials system charts encoding processing-structure-property relationships, enabling more effective data integration by condensing key information from numerous papers, and evaluation and categorization of numerous hypotheses for human cognition, both through the LLM. This LLM-driven approach opens the door to new avenues of artificial intelligence-driven materials discovery by accelerating design, democratizing innovation, and expanding capabilities beyond the designer's direct knowledge.
Abstract（参考訳）: 物質設計は、知識ギャップや知識含意を統合・抽出する限られた能力といった認知的制約によって本質的に制限されるプロセス、特に多分野の専門知識が必要な場合、人為的な仮説に依存していることが多い。この研究は、大規模言語モデル(LLM)と素早いエンジニアリングが組み合わさって、人間の専門家による明確な設計指導なしに、多様な情報源から科学的原理を統合することによって、非自明な物質仮説を効果的に生成できることを実証している。これらには、優れた低温特性を有する高エントロピー合金の設計アイデアや、イオン伝導率と成形性を高めたハロゲン化物固体電解質が含まれる。これらのデザインのアイデアは、LLMのトレーニングデータでは利用できない2023年のハイインパクトな出版物で実験的に検証され、LLMが文献で確立されていない非常に価値が高く実現可能な革新的なアイデアを生成する能力を示している。提案手法は,主に,処理-構造-プロパティ関係を符号化する材料システムチャートを活用し,多数の論文から重要な情報を凝縮することで,より効率的なデータ統合を可能にし,LLMを通じて,人間の認知に対する多くの仮説の評価と分類を行う。このLCM駆動のアプローチは、設計を加速し、イノベーションを民主化し、デザイナーの直接的な知識を超えて能力を拡張することによって、人工知能駆動の材料発見の新しい道を開く。

関連論文リスト

GIVE: Structured Reasoning with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを統合する新しい推論フレームワークである。本手法は,ゴールド回答検索ではなく,専門家の問題解決に類似した論理的・段階的推論手法を提案する。
論文参考訳（メタデータ） (2024-10-11T03:05:06Z)
From Text to Insight: Large Language Models for Materials Science Data Extraction [4.08853418443192]
科学知識の大部分は、構造化されていない自然言語に存在する。構造化データは革新的で体系的な材料設計に不可欠である。大きな言語モデル(LLM)の出現は、大きな変化を示している。
論文参考訳（メタデータ） (2024-07-23T22:23:47Z)
AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
論文参考訳（メタデータ） (2024-07-13T22:46:02Z)
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)
Enhancing LLM-Based Feedback: Insights from Intelligent Tutoring Systems and the Learning Sciences [0.0]
この研究は、ITSのフィードバック生成に関する以前の研究を通し、AIEDの研究を慎重に支援するものである。本論文の主な貢献は次のとおりである。生成AIの時代におけるフィードバック生成において、より慎重で理論的に基礎付けられた手法を適用すること。
論文参考訳（メタデータ） (2024-05-07T20:09:18Z)
A Comprehensive Study of Knowledge Editing for Large Language Models [82.65729336401027]
大規模言語モデル(LLM)は、人間のコミュニケーションを忠実に反映したテキストの理解と生成の素晴らしい能力を示している。本稿では,知識編集の問題を定義し,最先端アプローチの包括的レビューを行う。我々は,代表的知識編集アプローチの総合的評価のための新しいベンチマークであるKnowEditを紹介した。
論文参考訳（メタデータ） (2024-01-02T16:54:58Z)
Finetuning an LLM on Contextual Knowledge of Classics for Q&A [0.0]
このプロジェクトは、クラシックの知識と人工知能の能力を統合する試みである。本研究の目的は,文脈知識を正確に再現するだけでなく,一貫した「個性」を示すLLMを開発することである。
論文参考訳（メタデータ） (2023-12-13T02:32:01Z)
A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文参考訳（メタデータ） (2023-10-14T23:28:48Z)
Exploring the Cognitive Knowledge Structure of Large Language Models: An Educational Diagnostic Assessment Approach [50.125704610228254]
大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
論文参考訳（メタデータ） (2023-10-12T09:55:45Z)
Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文参考訳（メタデータ） (2023-07-03T16:01:45Z)

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。