論文の概要: TopoMAS: Large Language Model Driven Topological Materials Multiagent System

• arxiv url: http://arxiv.org/abs/2507.04053v1
• Date: Sat, 05 Jul 2025 14:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.994802
• Title: TopoMAS: Large Language Model Driven Topological Materials Multiagent System
• Title（参考訳）: TopoMAS:大規模言語モデル駆動型トポロジカルマテリアルマルチエージェントシステム
• Authors: Baohua Zhang, Xin Li, Huangchao Xu, Zhong Jin, Quansheng Wu, Ce Li,
• Abstract要約: TopoMASは、材料発見パイプラインをシームレスにオーケストレーションする対話型ヒューマンAIフレームワークである。 TopoMASは、計算結果を動的知識グラフに自律的に統合することでループを閉じる。 既に新しい位相相SrSbO3の同定を導いている。
• 参考スコア（独自算出の注目度）: 9.394163894876689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Topological materials occupy a frontier in condensed-matter physics thanks to their remarkable electronic and quantum properties, yet their cross-scale design remains bottlenecked by inefficient discovery workflows. Here, we introduce TopoMAS (Topological materials Multi-Agent System), an interactive human-AI framework that seamlessly orchestrates the entire materials-discovery pipeline: from user-defined queries and multi-source data retrieval, through theoretical inference and crystal-structure generation, to first-principles validation. Crucially, TopoMAS closes the loop by autonomously integrating computational outcomes into a dynamic knowledge graph, enabling continuous knowledge refinement. In collaboration with human experts, it has already guided the identification of novel topological phases SrSbO3, confirmed by first-principles calculations. Comprehensive benchmarks demonstrate robust adaptability across base Large Language Model, with the lightweight Qwen2.5-72B model achieving 94.55% accuracy while consuming only 74.3-78.4% of tokens required by Qwen3-235B and 83.0% of DeepSeek-V3's usage--delivering responses twice as fast as Qwen3-235B. This efficiency establishes TopoMAS as an accelerator for computation-driven discovery pipelines. By harmonizing rational agent orchestration with a self-evolving knowledge graph, our framework not only delivers immediate advances in topological materials but also establishes a transferable, extensible paradigm for materials-science domain.
• Abstract（参考訳）: トポロジカル材料は、電子的および量子的性質によって凝縮物質物理学のフロンティアを占有しているが、そのクロススケール設計は非効率な発見ワークフローによってボトルネックになっている。 本稿では,ユーザ定義クエリとマルチソースデータ検索から理論的推論,結晶構造生成,第1原理検証に至るまで,材料発見パイプライン全体をシームレスにオーケストレーションする対話型ヒューマンAIフレームワークであるTopoMASを紹介する。 重要なことに、TopoMASは計算結果を動的知識グラフに自律的に統合することでループを閉じ、継続的な知識の洗練を可能にする。 ヒトの専門家と共同で、新しい位相相SrSbO3の同定を導いており、第一原理計算によって確認されている。 包括的なベンチマークでは、Qwen2.5-72BモデルはQwen3-235Bで要求されるトークンの74.3-78.4%と、DeepSeek-V3の使用率の83.0%の2倍のレスポンスを消費しながら、94.55%の精度を達成した。 この効率は、計算駆動ディスカバリパイプラインのアクセラレータとしてTopoMASを確立する。 自己進化的な知識グラフで合理的なエージェントオーケストレーションを調和させることにより、私たちのフレームワークは、トポロジ的素材の即時的な進歩を提供するだけでなく、物質科学領域における伝達可能な拡張可能なパラダイムも確立します。

関連論文リスト

• PriM: Principle-Inspired Material Discovery through Multi-Agent Collaboration [0.0]
  言語推論型マルチエージェントシステム(MAS)を利用した原理誘導型材料発見システムを提案する。 本フレームワークは,MASのラウンドテーブルシステムにおいて,自動仮説生成と実験検証を統合する。 この枠組みに基づいて,ナノヘリックスのケーススタディにより,より高い材料探索率と特性値を示す。
  論文  参考訳（メタデータ） (2025-04-09T03:05:10Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• DARWIN 1.5: Large Language Models as Materials Science Adapted Learners [46.7259033847682]
  DARWIN 1.5は,材料科学に適したオープンソースの大規模言語モデルである。 DARWINはタスク固有の記述子の必要性を排除し、材料特性の予測と発見に対する柔軟な統一的なアプローチを可能にする。 提案手法は,6Mの物質ドメイン論文と49,256の物質から得られた21の実験データセットを統合し,タスク間の知識伝達を可能にする。
  論文  参考訳（メタデータ） (2024-12-16T16:51:27Z)
• Foundation Model for Composite Microstructures: Reconstruction, Stiffness, and Nonlinear Behavior Prediction [0.0]
  複合材料に特化して設計された基礎モデルを提案する。 本研究は, 複合材料における基礎モデルの有効性と有効性について検証した。 このフレームワークは実験データが少ない場合でも高精度な予測を可能にする。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• X2-DFD: A framework for eXplainable and eXtendable Deepfake Detection [55.77552681618732]
  X2-DFDは、eXplainableおよびeXtendableフレームワークであり、ディープフェイク検出のためのマルチモーダルな多言語モデル(MLLM)に基づいている。 最初の段階であるモデル特徴評価は、MLLMの偽造関係の特徴の検出可能性を体系的に評価する。 2番目のステージであるExplainable dataset Constructionは、Strong Feature StrengtheningとWeak Feature Supplementingの2つの重要なモジュールで構成されている。 3番目のステージであるファインチューニングと推論では、構築されたデータセット上でMLLMを微調整し、最終的な検出と説明のためにデプロイする。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• Networks of Networks: Complexity Class Principles Applied to Compound AI Systems Design [63.24275274981911]
  多くの言語モデル推論コールからなる複合AIシステムは、ますます採用されている。 本研究では,提案した回答の生成と正当性検証の区別を中心に,ネットワークネットワーク(NoN)と呼ばれるシステムを構築した。 我々は,Kジェネレータを備えた検証器ベースの判定器NoNを導入し,"Best-of-K"あるいは"judge-based"複合AIシステムのインスタンス化を行う。
  論文  参考訳（メタデータ） (2024-07-23T20:40:37Z)
• Efficient Materials Informatics between Rockets and Electrons [0.0]
  この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。 原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。 結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
  論文  参考訳（メタデータ） (2024-07-05T17:03:26Z)
• Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
  AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。 次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。 検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
  論文  参考訳（メタデータ） (2023-09-12T16:13:10Z)

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。