論文の概要: Hypothesis Generation for Materials Discovery and Design Using Goal-Driven and Constraint-Guided LLM Agents

• arxiv url: http://arxiv.org/abs/2501.13299v1
• Date: Thu, 23 Jan 2025 01:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:32.973690
• Title: Hypothesis Generation for Materials Discovery and Design Using Goal-Driven and Constraint-Guided LLM Agents
• Title（参考訳）: ゴール駆動型および拘束誘導型LLMエージェントを用いた材料創製・設計のための仮説生成
• Authors: Shrinidhi Kumbhar, Venkatesh Mishra, Kevin Coutinho, Divij Handa, Ashif Iquebal, Chitta Baral,
• Abstract要約: LLM(Large Language Models)は、一度検証された場合、材料発見を早める仮説を生成するために用いられる。 現実のアプリケーションを設計するための、現実の目標、制約、方法を含むデータセットをキュレートしました。 このデータセットを用いて、特定の制約の下で与えられた目標を達成するための仮説を生成するLCMベースのエージェントをテストする。 本稿では,材料科学者が仮説を批判的に評価する過程をエミュレートする,新しいスケーラブルな評価指標を提案する。
• 参考スコア（独自算出の注目度）: 29.624595763508555
• License:
• Abstract: Materials discovery and design are essential for advancing technology across various industries by enabling the development of application-specific materials. Recent research has leveraged Large Language Models (LLMs) to accelerate this process. We explore the potential of LLMs to generate viable hypotheses that, once validated, can expedite materials discovery. Collaborating with materials science experts, we curated a novel dataset from recent journal publications, featuring real-world goals, constraints, and methods for designing real-world applications. Using this dataset, we test LLM-based agents that generate hypotheses for achieving given goals under specific constraints. To assess the relevance and quality of these hypotheses, we propose a novel scalable evaluation metric that emulates the process a materials scientist would use to evaluate a hypothesis critically. Our curated dataset, proposed method, and evaluation framework aim to advance future research in accelerating materials discovery and design with LLMs.
• Abstract（参考訳）: 材料発見と設計は、アプリケーション固有の材料の開発を可能にすることにより、様々な産業にまたがる技術の発展に不可欠である。 最近の研究は、このプロセスを加速するためにLarge Language Models (LLMs)を活用している。 我々は LLM の可能性を探求し, 一度検証すれば, 物質発見の迅速化が可能な仮説を導出する。 材料科学の専門家と共同で、我々は、現実の目標、制約、そして現実のアプリケーションを設計するための方法を特徴とする、最近のジャーナル出版物から新しいデータセットをキュレートした。 このデータセットを用いて、特定の制約の下で与えられた目標を達成するための仮説を生成するLCMベースのエージェントをテストする。 これらの仮説の妥当性と品質を評価するために,材料科学者が仮説を批判的に評価するために使用する過程をエミュレートする,スケーラブルな評価指標を提案する。 LLMによる材料発見・設計の高速化に向けた今後の研究を進めることを目的として, 提案手法, 評価フレームワークについて検討した。

関連論文リスト

• Assessing data-driven predictions of band gap and electrical conductivity for transparent conducting materials [10.3054383984768]
  本稿では,新しい透明導電材料発見の促進を目的としたデータ駆動型フレームワークを提案する。 利用可能なデータの不足を軽減するため、ユニークな実験データベースを作成し、検証する。 我々は、既知のTCMの典型的な要素を含む55の合成の一覧において、本手法を検証した。
  論文  参考訳（メタデータ） (2024-11-21T11:37:05Z)
• IdeaBench: Benchmarking Large Language Models for Research Idea Generation [19.66218274796796]
  大規模言語モデル(LLM)は、人々が人工知能(AI)システムと対話する方法を変革した。 包括的データセットと評価フレームワークを含むベンチマークシステムであるIdeanBenchを提案する。 私たちのデータセットは、さまざまな影響力のある論文のタイトルと要約と、参照された作品で構成されています。 まず、GPT-4oを用いて、新規性や実現可能性などのユーザ固有の品質指標に基づいて、アイデアをランク付けし、スケーラブルなパーソナライズを可能にする。
  論文  参考訳（メタデータ） (2024-10-31T17:04:59Z)
• A Survey of Small Language Models [104.80308007044634]
  小言語モデル (SLM) は, 計算資源の最小化による言語タスクの効率化と性能の向上により, ますます重要になってきている。 本稿では,SLMのアーキテクチャ,トレーニング技術,モデル圧縮技術に着目した総合的な調査を行う。
  論文  参考訳（メタデータ） (2024-10-25T23:52:28Z)
• Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
  科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。 大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。 本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
  論文  参考訳（メタデータ） (2024-10-17T03:26:37Z)
• Systematic Task Exploration with LLMs: A Study in Citation Text Generation [63.50597360948099]
  大規模言語モデル(LLM)は、複雑な創造的自然言語生成(NLG)タスクの定義と実行において、前例のない柔軟性をもたらす。 本稿では,系統的な入力操作,参照データ,出力測定からなる3成分研究フレームワークを提案する。 我々はこのフレームワークを用いて引用テキスト生成を探索する。これは一般的なNLPタスクであり、タスク定義と評価基準に関するコンセンサスを欠いている。
  論文  参考訳（メタデータ） (2024-07-04T16:41:08Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• LLMatDesign: Autonomous Materials Discovery with Large Language Models [5.481299708562135]
  新しい材料は科学的、技術的に重要な意味を持つ。 機械学習の最近の進歩により、データ駆動の手法により、有望な材料を素早くスクリーニングしたり、生成したりすることが可能になった。 LLMatDesignは,大規模言語モデルを用いた材料設計のための新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-19T02:35:02Z)
• A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
  大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。 我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-16T08:03:24Z)
• A Reliable Knowledge Processing Framework for Combustion Science using Foundation Models [0.0]
  この研究は、多様な燃焼研究データを処理し、実験研究、シミュレーション、文献にまたがるアプローチを導入している。 開発されたアプローチは、データのプライバシと精度を最適化しながら、計算と経済の費用を最小化する。 このフレームワークは、最小限の人間の監視で、常に正確なドメイン固有の応答を提供する。
  論文  参考訳（メタデータ） (2023-12-31T17:15:25Z)
• The Tyranny of Possibilities in the Design of Task-Oriented LLM Systems: A Scoping Survey [1.0489539392650928]
  この論文は、最小限のタスク指向LLMシステムを定義し、そのようなシステムの設計空間を探求することから始まる。 結果のパターンを議論し、3つの予想に定式化する。 いずれにせよ、スコーピング調査は将来の研究の指針となる7つの予想を提示している。
  論文  参考訳（メタデータ） (2023-12-29T13:35:20Z)
• Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
  情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。 本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
  論文  参考訳（メタデータ） (2022-02-16T13:44:00Z)

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。