論文の概要: Hierarchical Multi-agent Large Language Model Reasoning for Autonomous Functional Materials Discovery

• arxiv url: http://arxiv.org/abs/2512.13930v1
• Date: Mon, 15 Dec 2025 22:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.512022
• Title: Hierarchical Multi-agent Large Language Model Reasoning for Autonomous Functional Materials Discovery
• Title（参考訳）: 自律機能材料発見のための階層型多エージェント大言語モデル推論
• Authors: Samuel Rothfarb, Megan C. Davis, Ivana Matanovic, Baikun Li, Edward F. Holby, Wilton J. M. Kort-Kamp,
• Abstract要約: 電子構造推論におけるシミュレーションと理論のための材料エージェント(マスター) MASTERでは、マルチモーダルシステムは自然言語を密度汎関数理論に変換し、高レベルの推論エージェントは戦略階層を通して発見を導く。 推論軌道は、サンプリングやセマンティックバイアスによって説明できない化学的根拠のある決定を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence is reshaping scientific exploration, but most methods automate procedural tasks without engaging in scientific reasoning, limiting autonomy in discovery. We introduce Materials Agents for Simulation and Theory in Electronic-structure Reasoning (MASTER), an active learning framework where large language models autonomously design, execute, and interpret atomistic simulations. In MASTER, a multimodal system translates natural language into density functional theory workflows, while higher-level reasoning agents guide discovery through a hierarchy of strategies, including a single agent baseline and three multi-agent approaches: peer review, triage-ranking, and triage-forms. Across two chemical applications, CO adsorption on Cu-surface transition metal (M) adatoms and on M-N-C catalysts, reasoning-driven exploration reduces required atomistic simulations by up to 90% relative to trial-and-error selection. Reasoning trajectories reveal chemically grounded decisions that cannot be explained by stochastic sampling or semantic bias. Altogether, multi-agent collaboration accelerates materials discovery and marks a new paradigm for autonomous scientific exploration.
• Abstract（参考訳）: 人工知能は科学的な探索を形作っているが、ほとんどの方法は科学的な推論を伴わずに手続き的なタスクを自動化し、発見における自律性を制限している。 本稿では,大規模言語モデルを自律的に設計し,実行し,解釈するアクティブラーニングフレームワークであるMASTER(Material Agents for Simulation and Theory in Electronic-structure Reasoning)を紹介する。 MASTERでは、自然言語を密度汎関数論のワークフローに変換する一方、高レベルの推論エージェントは、単一のエージェントベースラインと3つのマルチエージェントアプローチ(ピアレビュー、トリアージランク、トリアージフォーム)を含む戦略階層を通して発見を導く。 2つの化学応用、Cu-表面遷移金属(M)原子とM-N-C触媒へのCO吸着は、推理駆動による探索により、試行錯誤選択と比較して、必要な原子学シミュレーションを最大90%削減する。 推論軌道は、確率的サンプリングや意味的バイアスによって説明できない化学的根拠のある決定を示す。 さらに、マルチエージェントのコラボレーションは、材料発見を加速し、自律的な科学探査の新しいパラダイムとなる。

関連論文リスト

• SciAgent: A Unified Multi-Agent System for Generalistic Scientific Reasoning [54.186990494217916]
  SciAgentは、一般的な科学的推論のために設計された統合マルチエージェントシステムである。 コーディネータエージェントは、各問題のドメインと複雑性を解釈し、特別なWorker Systemsを動的にオーケストレーションします。 これらの労働者システムは、記号推論、概念モデリング、数値計算、検証のための相互作用的推論サブエージェントで構成されている。
  論文  参考訳（メタデータ） (2025-11-11T12:00:34Z)
• Prospects for Using Artificial Intelligence to Understand Intrinsic Kinetics of Heterogeneous Catalytic Reactions [2.0971479389679337]
  鍵となるフロンティアは、AIをマルチスケールモデルとマルチモーダル実験に統合することである。 一貫性のないデータ品質と モデルの複雑さは 機械的な発見を制限する 生成AIとエージェントAIは、モデル生成を自動化し、不確実性を定量化し、実験でカップル理論を組み込むことができる。
  論文  参考訳（メタデータ） (2025-10-21T04:35:26Z)
• NewtonBench: Benchmarking Generalizable Scientific Law Discovery in LLM Agents [65.85967483058705]
  科学法発見のための強力なツールとして、大規模な言語モデルが登場している。 このタスクの既存のベンチマークは、基本的な方法論のトリレンマに悩まされている。 12の物理領域にわたる324の科学法発見タスクからなるベンチマークであるNewtonBenchを紹介する。
  論文  参考訳（メタデータ） (2025-10-08T16:12:11Z)
• ScienceBoard: Evaluating Multimodal Autonomous Agents in Realistic Scientific Workflows [82.07367406991678]
  大規模言語モデル(LLM)は自然言語処理を超えてその影響を拡大している。 これらのうち、コンピュータ利用エージェントは、人間がしているようにオペレーティングシステムと対話することができる。 我々はScienceBoardを紹介し、ダイナミックで視覚的にリッチな科学ソフトウェアを特徴とする現実的でマルチドメイン環境を包含する。
  論文  参考訳（メタデータ） (2025-05-26T12:27:27Z)
• Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems [0.0]
  マルチエージェントAIモデルは、新しい金属合金の発見を自動化するために使用される。 MLをベースとした原子間ポテンシャルをモデルとした立方晶(bcc)合金のNbMoTa族に着目した。 LLMをベースとしたエージェントの動的協調により、GNNの予測力を相乗化することにより、システムは巨大な合金設計空間を自律的にナビゲートする。
  論文  参考訳（メタデータ） (2024-10-17T17:06:26Z)
• SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [0.0]
  人工知能の鍵となる課題は、科学的理解を自律的に進めるシステムを作ることである。 3つのコア概念を活用するアプローチであるSciAgentsを提案する。 この枠組みは研究仮説を自律的に生成し、基礎となるメカニズム、設計原則、予期せぬ材料特性を解明する。 我々のケーススタディでは、生成AI、オントロジ表現、マルチエージェントモデリングを組み合わせて、生物学的システムに似た知能の群を活用できるスケーラブルな能力を実証している。
  論文  参考訳（メタデータ） (2024-09-09T12:25:10Z)
• Hypothetical Minds: Scaffolding Theory of Mind for Multi-Agent Tasks with Large Language Models [4.9108308035618515]
  マルチエージェント強化学習(MARL)法はマルチエージェントシステムの非定常性に対処する。 ここでは、大きな言語モデル(LLM)を活用して、これらの課題に対処できる自律エージェントを作成します。 私たちのエージェントである仮説的マインドスは、認知にインスパイアされたアーキテクチャで構成されており、知覚、記憶、階層的な2段階の抽象化計画のためのモジュラーコンポーネントを備えています。
  論文  参考訳（メタデータ） (2024-07-09T17:57:15Z)
• Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
  シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。 シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。 我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
  論文  参考訳（メタデータ） (2021-12-06T18:45:31Z)

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。