論文の概要: Scientific Hypothesis Generation and Validation: Methods, Datasets, and Future Directions

• arxiv url: http://arxiv.org/abs/2505.04651v1
• Date: Tue, 06 May 2025 19:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.611587
• Title: Scientific Hypothesis Generation and Validation: Methods, Datasets, and Future Directions
• Title（参考訳）: 科学的仮説の生成と検証:方法,データセット,今後の方向性
• Authors: Adithya Kulkarni, Fatimah Alotaibi, Xinyue Zeng, Longfeng Wu, Tong Zeng, Barry Menglong Yao, Minqian Liu, Shuaicheng Zhang, Lifu Huang, Dawei Zhou,
• Abstract要約: 大規模言語モデル(LLM)は科学的仮説の生成と検証を変革している。 この調査は、LLM駆動のアプローチに関する構造化された概要を提供する。 本稿では,検索強化生成,知識グラフ補完,シミュレーション,因果推論,ツール支援推論などの手法について検討する。
• 参考スコア（独自算出の注目度）: 19.926445428206776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are transforming scientific hypothesis generation and validation by enabling information synthesis, latent relationship discovery, and reasoning augmentation. This survey provides a structured overview of LLM-driven approaches, including symbolic frameworks, generative models, hybrid systems, and multi-agent architectures. We examine techniques such as retrieval-augmented generation, knowledge-graph completion, simulation, causal inference, and tool-assisted reasoning, highlighting trade-offs in interpretability, novelty, and domain alignment. We contrast early symbolic discovery systems (e.g., BACON, KEKADA) with modern LLM pipelines that leverage in-context learning and domain adaptation via fine-tuning, retrieval, and symbolic grounding. For validation, we review simulation, human-AI collaboration, causal modeling, and uncertainty quantification, emphasizing iterative assessment in open-world contexts. The survey maps datasets across biomedicine, materials science, environmental science, and social science, introducing new resources like AHTech and CSKG-600. Finally, we outline a roadmap emphasizing novelty-aware generation, multimodal-symbolic integration, human-in-the-loop systems, and ethical safeguards, positioning LLMs as agents for principled, scalable scientific discovery.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、情報合成、潜伏関係の発見、推論強化を可能にすることによって、科学的仮説の生成と検証を変換している。 このサーベイは、シンボリックフレームワーク、生成モデル、ハイブリッドシステム、マルチエージェントアーキテクチャなど、LLM駆動のアプローチに関する構造化された概要を提供する。 本稿では,検索強化生成,知識グラフ補完,シミュレーション,因果推論,ツール支援推論などの手法について検討し,解釈可能性,新規性,ドメインアライメントのトレードオフを強調した。 我々は、初期記号発見システム(BACON、KEKADA)と、インコンテキスト学習とドメイン適応を微調整、検索、記号接地により活用する現代のLLMパイプラインとを対比する。 検証には,シミュレーション,人間とAIのコラボレーション,因果モデリング,不確実性定量化をレビューし,オープンワールドの文脈における反復的評価を強調した。 この調査は、バイオメディシン、材料科学、環境科学、社会科学にまたがるデータセットをマッピングし、AHTechやCSKG-600といった新しいリソースを導入している。 最後に,新奇性を意識した生成,マルチモーダル・シンボリック統合,ヒューマン・イン・ザ・ループシステム,倫理的保護を重視し,LCMを原則的かつスケーラブルな科学的発見のエージェントとして位置づけるロードマップを概説する。

関連論文リスト

• A Survey on Hypothesis Generation for Scientific Discovery in the Era of Large Language Models [0.9383505015433911]
  大規模言語モデル(LLM)は仮説生成の強化と自動化への関心が高まっている。 本稿では,LLMを用いた仮説生成に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2025-04-07T20:44:33Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オンロジはドメインの知識とメタデータを表現するために広く使われている。 直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• What if LLMs Have Different World Views: Simulating Alien Civilizations with LLM-based Agents [40.14152484201402]
  本研究では,人間と地球外文明の複雑な相互作用をシミュレーションするために,Large Language Models (LLM) を用いた革新的な人工知能システムであるCosmoAgentを紹介する。 本手法により,文明の成長軌跡を定量的に分析し,成長・飽和の重要な点での今後の意思決定の洞察を提供する。 この革新的な研究は、潜在的な文明間力学を解釈する新しい方法を導入するだけでなく、異なる価値体系を持つ実体が、非対称情報の下でのゲームの実行、競合の防止、およびゲームへの関与を可能にする実践的な価値も持っている。
  論文  参考訳（メタデータ） (2024-02-20T17:49:46Z)
• Generative retrieval-augmented ontologic graph and multi-agent strategies for interpretive large language model-based materials design [0.0]
  トランスフォーマーニューラルネットワークは、特に材料分析、設計、製造において、有望な能力を示す。 本稿では,教材の工学的分析を支援するツールとして,大規模言語モデル(LLM)の利用について検討する。
  論文  参考訳（メタデータ） (2023-10-30T20:31:50Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)
• AI-Assisted Discovery of Quantitative and Formal Models in Social Science [6.39651637213537]
  本システムは,経済・社会学における実世界のデータから解釈可能なモデルを発見するのに有効であることを示す。 本稿では,このAI支援フレームワークが,社会科学研究でよく用いられるパラメトリックモデルと非パラメトリックモデルとを橋渡しすることができることを提案する。
  論文  参考訳（メタデータ） (2022-10-02T16:25:47Z)

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。