論文の概要: LLM Agents for Knowledge Discovery in Atomic Layer Processing

• arxiv url: http://arxiv.org/abs/2509.26201v1
• Date: Tue, 30 Sep 2025 13:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.13612
• Title: LLM Agents for Knowledge Discovery in Atomic Layer Processing
• Title（参考訳）: 原子層プロセスにおける知識発見のためのLLMエージェント
• Authors: Andreas Werbrouck, Marshall B. Lindsay, Matthew Maschmann, Matthias J. Young,
• Abstract要約: 大規模言語モデル(LLM)は、ここ数年、大きな注目を集めてきた。 本研究では,材料科学における知識発見のためのエージェントの可能性を検証する。 子どもたちのパーラーゲームを通じて,このアプローチの概念実証を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have garnered significant attention for several years now. Recently, their use as independently reasoning agents has been proposed. In this work, we test the potential of such agents for knowledge discovery in materials science. We repurpose LangGraph's tool functionality to supply agents with a black box function to interrogate. In contrast to process optimization or performing specific, user-defined tasks, knowledge discovery consists of freely exploring the system, posing and verifying statements about the behavior of this black box, with the sole objective of generating and verifying generalizable statements. We provide proof of concept for this approach through a children's parlor game, demonstrating the role of trial-and-error and persistence in knowledge discovery, and the strong path-dependence of results. We then apply the same strategy to show that LLM agents can explore, discover, and exploit diverse chemical interactions in an advanced Atomic Layer Processing reactor simulation using intentionally limited probe capabilities without explicit instructions.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ここ数年、大きな注目を集めてきた。 近年,独立推論剤としての利用が提案されている。 本研究では,材料科学における知識発見のためのエージェントの可能性を検証する。 我々は、LangGraphのツール機能を再使用して、エージェントにブラックボックス機能を提供して尋問します。 プロセスの最適化やユーザ定義されたタスクの実行とは対照的に、知識発見はシステムを自由に探索し、このブラックボックスの振る舞いに関するステートメントをポーズし、検証することであり、汎用的なステートメントの生成と検証は唯一の目的である。 本研究では,子どものパーラーゲームを通じて,知識発見における試行錯誤と持続性の役割と,その結果の強い経路依存性を実証し,このアプローチの概念実証を行う。 次に、LLMエージェントが、明示的な指示なしに意図的に限定されたプローブ機能を用いて、高度な原子層処理炉シミュレーションにおいて、多様な化学相互作用を探索、発見、活用できることを示すために、同様の戦略を適用した。

関連論文リスト

• Unveiling Knowledge Utilization Mechanisms in LLM-based Retrieval-Augmented Generation [77.10390725623125]
  検索強化世代(RAG)は知識範囲の拡大に広く利用されている。 RAGは、オープンドメインの質問応答のような知識集約的なタスクを約束しているので、複雑なタスクやインテリジェントアシスタントへの幅広い応用は、その実用性をさらに進歩させてきた。 本稿では、RAGが内部(パラメトリック)知識と外部(検索)知識を統合する本質的なメカニズムを体系的に検討する。
  論文  参考訳（メタデータ） (2025-05-17T13:13:13Z)
• KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [52.34892973785117]
  大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。 この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。 我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
  論文  参考訳（メタデータ） (2024-03-05T16:39:12Z)
• KwaiAgents: Generalized Information-seeking Agent System with Large Language Models [33.59597020276034]
  人間は批判的思考、計画、リフレクション、世界と対話し解釈するための利用可能なツールの活用に優れています。 大規模言語モデル(LLM)の最近の進歩は、マシンが前述の人間のような能力を持っていることも示唆している。 LLMに基づく汎用情報検索システムであるKwaiAgentsを紹介する。
  論文  参考訳（メタデータ） (2023-12-08T08:11:11Z)
• ExpeL: LLM Agents Are Experiential Learners [57.13685954854463]
  実験学習エージェント(ExpeL)を導入し、パラメトリック更新を必要とせずにエージェント体験から学習できるようにする。 我々のエージェントは、経験を自律的に収集し、学習課題の集合から自然言語を用いて知識を抽出する。 推論において、エージェントは抽出された洞察と過去の経験をリコールし、情報的決定を行う。
  論文  参考訳（メタデータ） (2023-08-20T03:03:34Z)

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。