論文の概要: From Phase Prediction to Phase Design: A ReAct Agent Framework for High-Entropy Alloy Discovery

• arxiv url: http://arxiv.org/abs/2603.11068v1
• Date: Tue, 10 Mar 2026 14:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.494152
• Title: From Phase Prediction to Phase Design: A ReAct Agent Framework for High-Entropy Alloy Discovery
• Title（参考訳）: 位相予測から位相設計へ:高エントロピー合金発見のためのリアクトエージェントフレームワーク
• Authors: Iman Peivaste, Salim Belouettar,
• Abstract要約: 本稿では,HEA合成を自律的に提案し,検証し,反復的に洗練するReAct (Reasoning + Acting) LLMエージェントを提案する。 フルプロンプトエージェントは、FCC、BCC、BCC+FCCの38%、18%、および38%のディスクリプタ空間再発見率を達成する。 本研究は, LLM誘導型エージェント推論を, 逆合金設計における勾配自由最適化の原理的, 透過的, 多様体的補完として確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering high-entropy alloy (HEA) compositions that reliably form a target crystal phase is a high-dimensional inverse design problem that conventional trial-and-error experimentation and forward-only machine learning models cannot efficiently solve. Here we present a ReAct (Reasoning + Acting) LLM agent that autonomously proposes, validates, and iteratively refines HEA compositions by querying a calibrated XGBoost surrogate trained on 4,753 experimental records across four phases (FCC, BCC, BCC+FCC, BCC+IM), achieving 94.66\% accuracy (F1 macro = 0.896). Against Bayesian optimisation (BO) and random search baselines, the full-prompt agent achieves descriptor-space rediscovery rates of 38\%, 18\%, and 38\% for FCC, BCC, and BCC+FCC (Mann--Whitney $p \leq 0.039$), with proposals lying 2.4--22.8$\times$ closer to the experimental phase manifold than random search. An ablation reveals that domain priors shift the agent from landmark-alloy recall toward compositionally diverse exploration -- an uninformed agent scores higher rediscovery by concentrating on literature-dense families, while the full-prompt agent explores underrepresented space (unique ratio 1.0 vs.\ 0.39 for BCC+FCC). These regimes represent distinct criteria: proximity to known literature versus genuine discovery. Spearman analysis confirms agent reasoning is statistically aligned with empirical phase distributions ($ρ= 0.736$, $p = 0.004$ for BCC). This work establishes LLM-guided agentic reasoning as a principled, transparent, and manifold-aware complement to gradient-free optimisation for inverse alloy design.
• Abstract（参考訳）: ターゲット結晶相を確実に形成する高エントロピー合金(HEA)組成の発見は、従来の試行錯誤実験や前方限定機械学習モデルでは効率的に解決できない高次元逆設計問題である。 本稿では、4つのフェーズ(FCC, BCC, BCC+FCC, BCC+IM)にわたる4,753の実験記録に基づいて訓練された校正XGBoostサロゲートをクエリし、94.66\%の精度(F1 macro = 0.896)を達成し、自律的に提案、検証、反復的にHEA合成を洗練するReAct (Reasoning + Acting) LLMエージェントを提案する。 ベイズ最適化(BO)とランダムサーチベースラインに対して、フルプロンプトエージェントは、FCC、BCC、BCC+FCC(Mann--Whitney $p \leq 0.039$)のディスクリプター空間再粘度率38\%、18\%、38\%を達成する。 アブレーションは、ドメインの先行するエージェントが、ランドマーク・アロイのリコールから、構成的に多様な探索へと移行していることを明らかにする。 BCC+FCCは0.39。 これらの規則は、既知の文献と真の発見との近さという、異なる基準を表している。 スピアマン解析により、エージェント推論は経験的位相分布(ρ = 0.736$, $p = 0.004$ for BCC)と統計的に一致していることを確認した。 本研究は, LLM誘導型エージェント推論を, 逆合金設計における勾配自由最適化の原理的, 透過的, 多様体的補完として確立する。

関連論文リスト

• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• Decoupling the Effect of Chain-of-Thought Reasoning: A Human Label Variation Perspective [60.45433515408158]
  長いチェーン・オブ・ソート(CoT)がトップオプションの決定的決定要因となるが、あいまいなタスクの粒度分布キャリブレータとして機能しないことを示す。 CoTは分布アライメントを改善するが、CoTの内容によって最終的な精度が決定される。
  論文  参考訳（メタデータ） (2026-01-06T16:26:40Z)
• The Agent Capability Problem: Predicting Solvability Through Information-Theoretic Bounds [5.85480332059272]
  本稿では,エージェントが資源制約の下で解決できるかどうかを予測するためのフレームワークであるエージェント能力問題(ACP)を紹介する。 我々は、$Ceff$低バウンドが期待されるコストと、厳密な確率的上限を提供することを証明した。 ACPの予測は、実際のエージェントのパフォーマンスを密に追跡し、探索努力を一貫して制限し、欲求やランダムな戦略よりも効率を向上することを示す。
  論文  参考訳（メタデータ） (2025-12-08T15:21:52Z)
• Stochasticity in Agentic Evaluations: Quantifying Inconsistency with Intraclass Correlation [0.7418138958218443]
  クラス内相関係数(ICC)は、測定科学から分散を特徴づける指標である。 ICCは観測されたばらつきを、問合せ間分散(タスク困難)と問合せ内分散(エージェント不整合)に分解する 我々は、ICCが構造化タスクのn=8-16と複雑な推論のn>=32で収束し、実践者がエビデンスベースの再サンプリング予算を設定することを実証した。
  論文  参考訳（メタデータ） (2025-12-07T07:58:13Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Heterogeneity-Aware Client Sampling: A Unified Solution for Consistent Federated Learning [31.50593149242509]
  フェデレートラーニング(FL)は通常、多様なコミュニケーションと計算能力を持つクライアントを伴います。 FLにおける異種通信と計算が不整合を駆動するメカニズムを根本的に明らかにする。 汎用手法としてフェデレーテッド・ヘテロジニティ・アウェア・クライアントサンプリング(FedACS)を提案する。
  論文  参考訳（メタデータ） (2025-05-16T14:31:36Z)

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。