論文の概要: Building Trustworthy AI for Materials Discovery: From Autonomous Laboratories to Z-scores

• arxiv url: http://arxiv.org/abs/2512.01080v1
• Date: Sun, 30 Nov 2025 21:02:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.572564
• Title: Building Trustworthy AI for Materials Discovery: From Autonomous Laboratories to Z-scores
• Title（参考訳）: 素材発見のための信頼できるAIの構築 - 自律的な実験室からZスコアまで
• Authors: Benhour Amirian, Ashley S. Dale, Sergei Kalinin, Jason Hattrick-Simpers,
• Abstract要約: AIを使用する上で重要な課題は、人間の科学者がモデルの有効性と信頼性を信頼することである。 報告された機械学習手法が一般化可能か、解釈可能か、公正か、透明か、説明可能か、堅牢か、安定かを評価する。
• 参考スコア（独自算出の注目度）: 0.09999629695552194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerated material discovery increasingly relies on artificial intelligence and machine learning, collectively termed "AI/ML". A key challenge in using AI is ensuring that human scientists trust the models are valid and reliable. Accordingly, we define a trustworthy AI framework GIFTERS for materials science and discovery to evaluate whether reported machine learning methods are generalizable, interpretable, fair, transparent, explainable, robust, and stable. Through a critical literature review, we highlight that these are the trustworthiness principles most valued by the materials discovery community. However, we also find that comprehensive approaches to trustworthiness are rarely reported; this is quantified by a median GIFTERS score of 5/7. We observe that Bayesian studies frequently omit fair data practices, while non-Bayesian studies most frequently omit interpretability. Finally, we identify approaches for improving trustworthiness methods in artificial intelligence and machine learning for materials science by considering work accomplished in other scientific disciplines such as healthcare, climate science, and natural language processing with an emphasis on methods that may transfer to materials discovery experiments. By combining these observations, we highlight the necessity of human-in-the-loop, and integrated approaches to bridge the gap between trustworthiness and uncertainty quantification for future directions of materials science research. This ensures that AI/ML methods not only accelerate discovery, but also meet ethical and scientific norms established by the materials discovery community. This work provides a road map for developing trustworthy artificial intelligence systems that will accurately and confidently enable material discovery.
• Abstract（参考訳）: 加速物質発見は人工知能と機械学習にますます依存し、総称して「AI/ML」と呼ばれる。 AIを使用する上で重要な課題は、人間の科学者がモデルの有効性と信頼性を信頼することである。 そこで、材料科学と発見のための信頼できるAIフレームワークGIFTERSを定義し、報告された機械学習手法が一般化可能か、解釈可能か、公正か、透明か、説明可能か、堅牢か、安定かを評価する。 批判的な文献レビューを通じて、これらが材料発見コミュニティが最も重視する信頼性の原則であることを強調した。 しかし,信頼度に対する包括的アプローチが報告されることは稀であり,GIFTERSの中央値は5/7である。 我々はベイズ研究が公正なデータ実践を省略するのに対し、ベイズ研究は非ベイズ研究が最も頻繁に解釈性を省略するのに対し、ベイズ研究は公正なデータ実践を省略する。 最後に、医療、気候科学、自然言語処理などの他の科学分野において達成された成果を、材料発見実験に移行する方法に重点を置いて検討することにより、材料科学における人工知能と機械学習の信頼性向上のためのアプローチを特定する。 これらの観察を組み合わせることで、今後の材料科学研究の方向性に対する信頼性と不確実性の定量化のギャップを埋めるために、人間によるループの必要性を強調した。 これにより、AI/ML手法が発見を加速するだけでなく、材料発見コミュニティによって確立された倫理的および科学的規範を満たすことが保証される。 この研究は、信頼できる人工知能システムを開発するためのロードマップを提供する。

関連論文リスト

• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• The Need for Verification in AI-Driven Scientific Discovery [9.887965168376311]
  機械学習と大規模言語モデルは、従来の手法をはるかに超えたスケールと速度で仮説を生成することができる。 検証のためのスケーラブルで信頼性の高いメカニズムがなければ、科学的進歩のリスクは先進的ではなく妨げられる、と我々は主張する。
  論文  参考訳（メタデータ） (2025-09-01T11:50:04Z)
• Artificial Intelligence and Generative Models for Materials Discovery -- A Review [0.0]
  Reviewは、材料発見に適用可能なAI駆動生成モデルのさまざまな原則について議論することを目的としている。 また, 新規触媒, 半導体, 高分子, 結晶の設計における生成モデルの具体的な応用についても紹介する。
  論文  参考訳（メタデータ） (2025-08-05T09:56:27Z)
• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• Is Trust Correlated With Explainability in AI? A Meta-Analysis [0.0]
  我々は、AI説明可能性と信頼の関係を探るため、既存の文献を網羅的に調査する。 我々の分析では、90の研究データを取り入れた結果、AIシステムの説明可能性と彼らが与える信頼との間に統計的に有意だが適度な正の相関関係が明らかとなった。 この研究は、特に説明責任の促進と、医療や司法などの重要な領域におけるユーザの信頼の促進において、社会技術的に幅広い影響を強調している。
  論文  参考訳（メタデータ） (2025-04-16T23:30:55Z)
• 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)
• Agent-based Learning of Materials Datasets from Scientific Literature [0.0]
  我々は,大規模言語モデル(LLM)を利用した化学AIエージェントを開発し,自然言語テキストから構造化データセットを作成する。 化学者のAIエージェントであるEunomiaは、何十年もの科学研究論文から既存の知識を活用して、行動を計画し実行することができる。
  論文  参考訳（メタデータ） (2023-12-18T20:29:58Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Uncertainty Quantification 360: A Holistic Toolkit for Quantifying and Communicating the Uncertainty of AI [49.64037266892634]
  我々は、AIモデルの不確実性定量化のためのオープンソースのPythonツールキットUncertainty Quantification 360 (UQ360)について述べる。 このツールキットの目標は2つある: ひとつは、AIアプリケーション開発ライフサイクルにおける不確実性を定量化し、評価し、改善し、伝達する共通のプラクティスを育むとともに、合理化するための幅広い能力を提供すること、もうひとつは、信頼できるAIの他の柱とのUQの接続をさらに探求することである。
  論文  参考訳（メタデータ） (2021-06-02T18:29:04Z)

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。