論文の概要: Optimizing Agricultural Research: A RAG-Based Approach to Mycorrhizal Fungi Information

• arxiv url: http://arxiv.org/abs/2511.14765v1
• Date: Tue, 16 Sep 2025 20:21:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.197442
• Title: Optimizing Agricultural Research: A RAG-Based Approach to Mycorrhizal Fungi Information
• Title（参考訳）: 農業研究の最適化 : RAGに基づく菌根菌情報へのアプローチ
• Authors: Mohammad Usman Altam, Md Imtiaz Habib, Tuan Hoang,
• Abstract要約: Retrieval-Augmented Generation (RAG)は自然言語処理における変換的アプローチである。 マイコフィトに適したRAG対応システムの設計と評価について述べる。 このフレームワークは、持続可能な農業システムにおける農業革新を加速し、意思決定を強化するために、AIによる知識発見の可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.2349443032034277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) represents a transformative approach within natural language processing (NLP), combining neural information retrieval with generative language modeling to enhance both contextual accuracy and factual reliability of responses. Unlike conventional Large Language Models (LLMs), which are constrained by static training corpora, RAG-powered systems dynamically integrate domain-specific external knowledge sources, thereby overcoming temporal and disciplinary limitations. In this study, we present the design and evaluation of a RAG-enabled system tailored for Mycophyto, with a focus on advancing agricultural applications related to arbuscular mycorrhizal fungi (AMF). These fungi play a critical role in sustainable agriculture by enhancing nutrient acquisition, improving plant resilience under abiotic and biotic stresses, and contributing to soil health. Our system operationalizes a dual-layered strategy: (i) semantic retrieval and augmentation of domain-specific content from agronomy and biotechnology corpora using vector embeddings, and (ii) structured data extraction to capture predefined experimental metadata such as inoculation methods, spore densities, soil parameters, and yield outcomes. This hybrid approach ensures that generated responses are not only semantically aligned but also supported by structured experimental evidence. To support scalability, embeddings are stored in a high-performance vector database, allowing near real-time retrieval from an evolving literature base. Empirical evaluation demonstrates that the proposed pipeline retrieves and synthesizes highly relevant information regarding AMF interactions with crop systems, such as tomato (Solanum lycopersicum). The framework underscores the potential of AI-driven knowledge discovery to accelerate agroecological innovation and enhance decision-making in sustainable farming systems.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、自然言語処理(NLP)における変換的アプローチであり、ニューラルネットワーク検索と生成言語モデリングを組み合わせて、応答の文脈的正確性と事実的信頼性を高める。 静的学習コーパスによって制約される従来のLarge Language Models (LLMs)とは異なり、RAGを利用したシステムはドメイン固有の外部知識ソースを動的に統合し、時間的および規律的な制限を克服する。 本研究では, 木質菌根菌(AMF)に関する農業応用の進展に焦点をあてて, マイコフィトに適したRAG対応システムの設計と評価を行う。 これらの菌類は、栄養素の獲得を強化し、無生物ストレス下で植物のレジリエンスを改善し、土壌の健康に寄与することで、持続可能な農業において重要な役割を担っている。 我々のシステムは二重層戦略を運用する。 一 ベクター埋め込みを用いた農業・バイオテクノロジーコーパスからのドメイン特化コンテンツの意味検索及び増強 (II) 接種方法, 胞子密度, 土壌パラメータ, 収率など, 予め定義された実験メタデータを抽出するための構造化データ抽出を行った。 このハイブリッドアプローチは、生成された応答が意味的に一致しているだけでなく、構造化された実験的証拠によって支えられていることを保証します。 スケーラビリティをサポートするため、埋め込みは高性能なベクトルデータベースに格納され、進化する文献ベースからほぼリアルタイムに検索できる。 実験的な評価により, 提案したパイプラインはトマトなどの作物システムとのAMF相互作用について, 関連性の高い情報を検索し, 合成することを示した。 このフレームワークは、持続可能な農業システムにおける農業革新を加速し、意思決定を強化するために、AIによる知識発見の可能性を強調している。

関連論文リスト

• A Multimodal Conversational Assistant for the Characterization of Agricultural Plots from Geospatial Open Data [0.0]
  本研究では,多モーダル検索と大規模言語モデル(LLM)を統合したオープンソースの対話型アシスタントを提案する。 提案したアーキテクチャは, 検索拡張生成(RAG)によるオクトロフォト, セチネル-2植生指標, およびユーザ提供文書を組み合わせたものである。 予備的な結果は、農業用クエリに対して明確で、関連性があり、コンテキスト対応の応答を生成することができることを示している。
  論文  参考訳（メタデータ） (2025-09-22T09:02:53Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• PlantDeBERTa: An Open Source Language Model for Plant Science [0.0]
  植物ストレス応答型文献から構造化知識を抽出する,高性能でオープンソースな言語モデルであるPlantDeBERTaを提案する。 本手法は,トランスフォーマーに基づくモデリングと規則強化された言語後処理とオントロジーに基づく実体正規化を組み合わせた手法である。 計算プラント科学における透明性の促進と学際的イノベーションの促進を目的として,本モデルが公開された。
  論文  参考訳（メタデータ） (2025-06-10T15:24:03Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• SeRTS: Self-Rewarding Tree Search for Biomedical Retrieval-Augmented Generation [50.26966969163348]
  大規模言語モデル(LLM)は,検索増強世代(RAG)の進展に伴い,生物医学領域において大きな可能性を示した。 既存の検索強化アプローチは、様々なクエリやドキュメント、特に医療知識クエリに対処する上で、課題に直面している。 モンテカルロ木探索(MCTS)と自己回帰パラダイムに基づく自己回帰木探索(SeRTS)を提案する。
  論文  参考訳（メタデータ） (2024-06-17T06:48:31Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)

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。