Fugu-MT 論文翻訳(概要): ChemHAS: Hierarchical Agent Stacking for Enhancing Chemistry Tools

論文の概要: ChemHAS: Hierarchical Agent Stacking for Enhancing Chemistry Tools

arxiv url: http://arxiv.org/abs/2505.21569v2
Date: Wed, 18 Jun 2025 03:05:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-19 16:34:05.437536
Title: ChemHAS: Hierarchical Agent Stacking for Enhancing Chemistry Tools
Title（参考訳）: ChemHAS: 化学ツールの強化を目的とした階層型エージェントスタック
Authors: Zhucong Li, Bowei Zhang, Jin Xiao, Zhijian Zhou, Fenglei Cao, Jiaqing Liang, Yuan Qi,
Abstract要約: 我々は,限られたデータからエージェントスタック構造を最適化することで,化学ツールを強化するシンプルで効果的な方法であるChemHASを提案する。 ChemHASは4つの基本的な化学タスクにまたがって性能を向上し,ツールの予測誤差を効果的に補償できることを実証した。
参考スコア（独自算出の注目度）: 13.4380618947395
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large Language Model (LLM)-based agents have demonstrated the ability to improve performance in chemistry-related tasks by selecting appropriate tools. However, their effectiveness remains limited by the inherent prediction errors of chemistry tools. In this paper, we take a step further by exploring how LLMbased agents can, in turn, be leveraged to reduce prediction errors of the tools. To this end, we propose ChemHAS (Chemical Hierarchical Agent Stacking), a simple yet effective method that enhances chemistry tools through optimizing agent-stacking structures from limited data. ChemHAS achieves state-of-the-art performance across four fundamental chemistry tasks, demonstrating that our method can effectively compensate for prediction errors of the tools. Furthermore, we identify and characterize four distinct agent-stacking behaviors, potentially improving interpretability and revealing new possibilities for AI agent applications in scientific research. Our code and dataset are publicly available at https: //anonymous.4open.science/r/ChemHAS-01E4/README.md.
Abstract（参考訳）: LLM(Large Language Model)ベースのエージェントは、適切なツールを選択することで、化学関連タスクのパフォーマンスを向上させる能力を示した。しかし、それらの有効性は、化学ツールの固有の予測誤差によって制限されている。本稿では,LSMをベースとしたエージェントが,ツールの予測誤差を低減するためにどのように活用できるかを検討する。この目的のために,限られたデータからエージェントスタック構造を最適化することにより,化学ツールを効率化する,シンプルかつ効果的な手法であるChemHAS(Chemical Hierarchical Agent Stacking)を提案する。 ChemHASは4つの基本的な化学タスクで最先端のパフォーマンスを実現し,ツールの予測エラーを効果的に補償できることを実証した。さらに、4つの異なるエージェントスタッキング行動を特定し、特徴付け、解釈可能性を改善し、科学研究におけるAIエージェントの新たな可能性を明らかにする。私たちのコードとデータセットはhttps: //anonymous.4open.science/r/ChemHAS-01E4/README.mdで公開されています。

関連論文リスト

ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
論文参考訳（メタデータ） (2025-06-30T05:11:19Z)
CheMatAgent: Enhancing LLMs for Chemistry and Materials Science through Tree-Search Based Tool Learning [12.745398618084474]
大規模言語モデル(LLM)は、最近化学タスクにおいて有望な能力を実証した。本稿では,基本的な情報検索から複雑な反応予測まで,137種類の外部化学ツールを統合したLCMエージェントを提案する。
論文参考訳（メタデータ） (2025-06-09T08:41:39Z)
ChemGraph: An Agentic Framework for Computational Chemistry Workflows [0.0]
ChemGraphは人工知能と最先端のシミュレーションツールを利用したエージェントフレームワークである。ユーザーは分子構造生成、単一点エネルギー、幾何最適化、振動解析、熱化学計算などのタスクを実行できる。
論文参考訳（メタデータ） (2025-06-03T21:11:56Z)
ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
論文参考訳（メタデータ） (2025-01-11T17:10:30Z)
ChemToolAgent: The Impact of Tools on Language Agents for Chemistry Problem Solving [10.963114215850515]
我々は,ChemCrow上で強化化学剤を開発し,その性能を専門的な化学タスクと一般化学質問の両方で包括的に評価する。驚いたことに、ChemToolAgentはツールを使わずにLLMを一貫して上回っているわけではない。合成予測のような特殊な化学タスクでは、特殊ツールでエージェントを増強する必要があるが、試験のような一般的な化学問題では、エージェントの化学知識を正しく推論する能力がより重要である。
論文参考訳（メタデータ） (2024-11-11T18:46:37Z)
ChemEval: A Comprehensive Multi-Level Chemical Evaluation for Large Language Models [62.37850540570268]
この領域の既存のベンチマークは、化学研究専門家の特定の要求を適切に満たさない。 ChemEvalは化学の4つの重要な進歩レベルを特定し、42の異なる化学タスクで12次元のLCMを評価する。その結果, LLMは文献の理解と指導に優れる一方で, 高度な化学知識を必要とするタスクでは不足していることがわかった。
論文参考訳（メタデータ） (2024-09-21T02:50:43Z)
Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
論文参考訳（メタデータ） (2024-03-05T15:08:16Z)
An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文参考訳（メタデータ） (2024-02-20T13:21:46Z)
Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
論文参考訳（メタデータ） (2023-11-16T01:21:33Z)
ChemCrow: Augmenting large-language models with chemistry tools [0.9195187117013247]
大規模言語モデル(LLM)は、領域全体にわたるタスクにおいて高いパフォーマンスを示してきたが、化学に関連した問題に悩まされている。本研究では, 有機合成, 創薬, 材料設計における課題を遂行するLLM化学剤であるChemCrowを紹介する。我々のエージェントは、昆虫の忌避剤である3種の有機触媒の合成を自律的に計画し、実行し、新しいクロモフォアの発見を導いた。
論文参考訳（メタデータ） (2023-04-11T17:41:13Z)
Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文参考訳（メタデータ） (2022-02-13T04:56:18Z)
What is Going on Inside Recurrent Meta Reinforcement Learning Agents? [63.58053355357644]
recurrent meta reinforcement learning (meta-rl)エージェントは「学習アルゴリズムの学習」を目的としてrecurrent neural network (rnn)を使用するエージェントである。部分観測可能なマルコフ決定プロセス(POMDP)フレームワークを用いてメタRL問題を再構成することにより,これらのエージェントの内部動作機構を明らかにする。
論文参考訳（メタデータ） (2021-04-29T20:34:39Z)

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。