論文の概要: A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers
- arxiv url: http://arxiv.org/abs/2508.21148v2
- Date: Sat, 18 Oct 2025 04:52:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:09.625178
- Title: A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers
- Title（参考訳）: 科学的大規模言語モデルに関する調査:データ基盤からエージェントフロンティアへ
- Abstract要約: 科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
- 参考スコア（独自算出の注目度）: 251.23085679210206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific Large Language Models (Sci-LLMs) are transforming how knowledge is represented, integrated, and applied in scientific research, yet their progress is shaped by the complex nature of scientific data. This survey presents a comprehensive, data-centric synthesis that reframes the development of Sci-LLMs as a co-evolution between models and their underlying data substrate. We formulate a unified taxonomy of scientific data and a hierarchical model of scientific knowledge, emphasizing the multimodal, cross-scale, and domain-specific challenges that differentiate scientific corpora from general natural language processing datasets. We systematically review recent Sci-LLMs, from general-purpose foundations to specialized models across diverse scientific disciplines, alongside an extensive analysis of over 270 pre-/post-training datasets, showing why Sci-LLMs pose distinct demands -- heterogeneous, multi-scale, uncertainty-laden corpora that require representations preserving domain invariance and enabling cross-modal reasoning. On evaluation, we examine over 190 benchmark datasets and trace a shift from static exams toward process- and discovery-oriented assessments with advanced evaluation protocols. These data-centric analyses highlight persistent issues in scientific data development and discuss emerging solutions involving semi-automated annotation pipelines and expert validation. Finally, we outline a paradigm shift toward closed-loop systems where autonomous agents based on Sci-LLMs actively experiment, validate, and contribute to a living, evolving knowledge base. Collectively, this work provides a roadmap for building trustworthy, continually evolving artificial intelligence (AI) systems that function as a true partner in accelerating scientific discovery.
- Abstract（参考訳）: 科学大言語モデル (Sci-LLMs) は、科学研究において知識の表現、統合、適用方法を変えつつあるが、その進歩は科学データの複雑な性質によって形成されている。
本調査では,Sci-LLMの開発をモデルとその基盤となるデータ基板間の共進化として再編成する,包括的でデータ中心の合成について述べる。
我々は、科学データの統一分類法と、科学知識の階層モデルを定式化し、一般的な自然言語処理データセットと科学コーパスを区別するマルチモーダル、クロススケール、ドメイン固有の課題を強調した。
我々は、最近のSci-LLMを、汎用的な基礎から、様々な科学分野にまたがる特殊なモデルまで、体系的にレビューし、270以上の事前/後訓練データセットを広範囲に分析し、なぜSci-LLMが異質で、大規模で、不確実なコーパスを、ドメインの不変性を保ち、相互モーダル推論を可能にするのかを示した。
評価では,190以上のベンチマークデータセットを調べ,静的試験から高度な評価プロトコルを用いたプロセス指向および発見指向評価へ移行した。
これらのデータ中心の分析は、科学データ開発における永続的な問題を強調し、半自動アノテーションパイプラインと専門家による検証を含む新しいソリューションについて議論する。
最後に、Sci-LLMをベースとした自律エージェントを積極的に実験し、検証し、進化した知識ベースに貢献する、クローズドループシステムへのパラダイムシフトについて概説する。
この研究は、科学的発見を加速する真のパートナーとして機能する信頼できる、継続的な進化を続ける人工知能(AI)システムを構築するためのロードマップを提供する。
関連論文リスト
- SciResearcher: Scaling Deep Research Agents for Frontier Scientific Reasoning [54.194672921128785]
我々は、フロンティア科学データ構築のための完全に自動化されたエージェントフレームワークであるSciResearcherを紹介する。
SciResearcherは、学術的証拠に基づく様々な概念的および計算的なタスクを合成する。
我々は,HLE-Bio/Chem-Goldベンチマークで19.46%を達成できるエージェント基盤モデルであるSciResearcher-8Bを開発した。
論文 参考訳（メタデータ） (2026-05-02T15:26:45Z) - SciHorizon-DataEVA: An Agentic System for AI-Readiness Evaluation of Heterogeneous Scientific Data [31.749503531377812]
SciHorizon-DataEVAは、科学データのスケーラブルなAI可読性評価のための新しいエージェントシステムである。
評価基準レベルでは、Sci-TQA2原則を導入し、信頼の信頼性、データ品質、AI適合性、科学的適応性の4つの相補的な側面にAI対応を整理する。
我々のSci-TQA2-Evalは、軽量なデータセットプロファイリング、応用性を考慮したメトリックアクティベーション、知識に富んだ計画を組み合わせることで、データセット認識評価仕様を動的に構築する。
論文 参考訳（メタデータ） (2026-04-29T13:11:53Z) - Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。
本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
論文 参考訳（メタデータ） (2026-01-20T18:46:42Z) - WildSci: Advancing Scientific Reasoning from In-the-Wild Literature [50.16160754134139]
我々は、ピアレビューされた文献から自動的に合成されるドメイン固有の科学質問の新しいデータセットWildSciを紹介する。
複雑な科学的推論タスクを複数選択形式でフレーミングすることにより、明確に定義された報酬信号によるスケーラブルなトレーニングを可能にする。
一連の科学的ベンチマークの実験は、我々のデータセットとアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2026-01-09T06:35:23Z) - Dynamic Knowledge Exchange and Dual-diversity Review: Concisely Unleashing the Potential of a Multi-Agent Research Team [53.38438460574943]
IDVSCIは、大規模言語モデル(LLM)上に構築されたマルチエージェントフレームワークである。
動的知識交換機構とデュアルダイバーシティ・レビュー・パラダイムという2つの重要なイノベーションが組み込まれている。
結果は、IDVSCIが2つのデータセットで常に最高のパフォーマンスを達成していることを示している。
論文 参考訳（メタデータ） (2025-06-23T07:12:08Z) - SciCUEval: A Comprehensive Dataset for Evaluating Scientific Context Understanding in Large Language Models [35.839640555805374]
SciCUEvalは、大規模言語モデル(LLM)の科学的文脈理解能力を評価するためのベンチマークデータセットである。
生物学、化学、物理学、生物医学、材料科学にまたがる10のドメイン固有のサブデータセットで構成され、構造化テーブル、知識グラフ、構造化されていないテキストを含む多様なデータモダリティを統合する。
関連情報識別、情報理解検出、マルチソース情報統合、コンテキスト認識推論の4つのコア能力を、様々な質問形式を通じて体系的に評価する。
論文 参考訳（メタデータ） (2025-05-21T04:33:26Z) - From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。
この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
論文 参考訳（メタデータ） (2025-05-19T15:41:32Z) - Towards Scientific Intelligence: A Survey of LLM-based Scientific Agents [11.74019905854637]
大規模言語モデル(LLM)は、重要なタスクを自動化する科学的エージェントへと進化している。
汎用LLMとは異なり、特殊エージェントはドメイン固有の知識、高度なツールセット、堅牢な検証メカニズムを統合する。
一般的なエージェントと異なる理由と、さまざまな科学分野の研究を進める方法を強調します。
論文 参考訳（メタデータ） (2025-03-31T13:11:28Z) - BLADE: Benchmarking Language Model Agents for Data-Driven Science [18.577658530714505]
プランニング、メモリ、コード実行機能を備えたLMベースのエージェントは、データ駆動科学をサポートする可能性がある。
本稿では,エージェントの多面的アプローチを自動的に評価するベンチマークBLADEについて述べる。
論文 参考訳（メタデータ） (2024-08-19T02:59:35Z) - 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) - End-to-end Phase Field Model Discovery Combining Experimentation,
Crowdsourcing, Simulation and Learning [9.763339269757227]
エンド・ツー・エンドのフェーズ・フィールド・モデル探索のためのフェーズ・フィールド・ラボ・プラットフォームを提案する。
Phase-Field-Labは、(i)アノテーション時間を短縮する合理化されたアノテーションツール、(ii)データからフェーズフィールドモデルを自動的に学習するエンドツーエンドのニューラルモデル、(iii)新しいインターフェースと視覚化を組み合わせる。
我々のプラットフォームは極端条件下での材料中のナノ構造進化の解析に利用されている。
論文 参考訳（メタデータ） (2023-09-13T22:44:04Z) - When Geoscience Meets Foundation Models: Towards General Geoscience Artificial Intelligence System [6.445323648941926]
地球科学基礎モデル(Geoscience foundation model, GFMs)は、地球系の力学のシミュレーションと理解を強化するために、広範な学際データを統合するパラダイムシフトソリューションである。
GFMのユニークな長所は、フレキシブルなタスク仕様、多様な入出力能力、マルチモーダルな知識表現である。
このレビューは、先進的なAI技術と地球科学の交差点における未解決の機会を強調した、新興の地球科学研究パラダイムの包括的概要を提供する。
論文 参考訳（メタデータ） (2023-09-13T08:44:09Z)
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。