論文の概要: MoRI: Learning Motivation-Grounded Reasoning for Scientific Ideation in Large Language Models
- arxiv url: http://arxiv.org/abs/2603.19044v1
- Date: Thu, 19 Mar 2026 15:39:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.23685
- Title: MoRI: Learning Motivation-Grounded Reasoning for Scientific Ideation in Large Language Models
- Title（参考訳）: MoRI:大規模言語モデルにおける科学的思考のためのモチベーションを中心とした推論学習
- Authors: Chenyang Gu, Jiahao Cheng, Meicong Zhang, Pujun Zheng, Jinquan Zheng, Guoxiu He,
- Abstract要約: 研究モチベーションから方法論への推論プロセスを明確に学習するためのフレームワークとしてtextbfMoRI (textbfMotivation-grounded textbfReasoning for Scientific textbfIdeation) を提案する。
MoRIは、新規性、技術的厳密性、実現可能性など、多次元にわたる強力な商用LCMと複雑なエージェントベースラインを著しく上回っている。
- 参考スコア（独自算出の注目度）: 3.5060208861040127
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Scientific ideation aims to propose novel solutions within a given scientific context. Existing LLM-based agentic approaches emulate human research workflows, yet inadequately model scientific reasoning, resulting in surface-level conceptual recombinations that lack technical depth and scientific grounding. To address this issue, we propose \textbf{MoRI} (\textbf{Mo}tivation-grounded \textbf{R}easoning for Scientific \textbf{I}deation), a framework that enables LLMs to explicitly learn the reasoning process from research motivations to methodologies. The base LLM is initialized via supervised fine-tuning to generate a research motivation from a given context, and is subsequently trained under a composite reinforcement learning reward that approximates scientific rigor: (1) entropy-aware information gain encourages the model to uncover and elaborate high-complexity technical details grounded in ground-truth methodologies, and (2) contrastive semantic gain constrains the reasoning trajectory to maintain conceptually aligned with scientifically valid solutions. Empirical results show that MoRI significantly outperforms strong commercial LLMs and complex agentic baselines across multiple dimensions, including novelty, technical rigor, and feasibility. The code will be made available on \href{https://github.com/ECNU-Text-Computing/IdeaGeneration}{GitHub}.
- Abstract（参考訳）: 科学的観念は、与えられた科学的文脈の中で新しい解決策を提案することを目的としている。
既存のLLMベースのエージェントアプローチは、人間の研究ワークフローをエミュレートするが、科学的推論を不十分にモデル化し、技術的深度と科学的根拠を欠いた表面レベルの概念的な再結合をもたらす。
この問題を解決するために, LLM が研究モチベーションから方法論への推論過程を明示的に学習することを可能にするフレームワークである \textbf{MoRI} (\textbf{Mo}tivation-grounded \textbf{R}easoning for Scientific \textbf{I}deation) を提案する。
1) エントロピー認識情報ゲインは, 地層構造に根ざした複雑度の高い技術的詳細を明らかにすることをモデルに促し, 2) 対照的なセマンティックゲインは, 科学的に有効な解と概念的整合性を維持するために, 推論軌道を制約する。
実証実験の結果, 新規性, 技術的厳密性, 実現可能性など, 商業用LLMや複雑なエージェントベースラインよりも高い性能を示した。
コードは \href{https://github.com/ECNU-Text-Computing/IdeaGeneration}{GitHub} で公開される。
関連論文リスト
- Graph Your Way to Inspiration: Integrating Co-Author Graphs with Retrieval-Augmented Generation for Large Language Model Based Scientific Idea Generation [1.2232326171442904]
本稿では,GYWIと呼ばれる科学的アイデア生成システムを提案する。
著者の知識グラフと検索強化世代(RAG)を組み合わせることで、外部知識基盤を形成する。
生成したアイデアは, 新規性, 実現可能性, 明確性, 妥当性, 重要性の5つの側面から評価される。
論文 参考訳（メタデータ） (2025-12-05T03:38:23Z) - Deep Ideation: Designing LLM Agents to Generate Novel Research Ideas on Scientific Concept Network [9.317340414316446]
本稿では,キーワード共起関係と文脈関係をキャプチャする科学ネットワークを統合する枠組みを提案する。
現実のレビュアーのフィードバックに基づいて訓練された批評家エンジンは、アイデアの新規性と実現可能性に関する継続的なフィードバックを提供することによって、プロセスをガイドする。
当社のアプローチでは,他の手法に比べて10.67%の品質向上を実現しています。
論文 参考訳（メタデータ） (2025-11-04T04:00:20Z) - Demystifying Scientific Problem-Solving in LLMs by Probing Knowledge and Reasoning [53.82037883518254]
SciReasは、科学的推論タスクのための様々なベンチマークスイートである。
次に、科学的タスクにおける推論と知識の異なる役割を研究するための探索フレームワークであるKRUXを提案する。
論文 参考訳（メタデータ） (2025-08-26T17:04:23Z) - Computational Thinking Reasoning in Large Language Models [69.28428524878885]
計算思考モデル(CTM)は、計算思考パラダイムを大規模言語モデル(LLM)に組み込んだ新しいフレームワークである。
ライブコード実行は推論プロセスにシームレスに統合され、CTMが計算によって考えることができる。
CTMは、精度、解釈可能性、一般化可能性の観点から、従来の推論モデルとツール拡張ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-03T09:11:15Z) - Advancing AI-Scientist Understanding: Multi-Agent LLMs with Interpretable Physics Reasoning [0.7499722271664147]
大規模言語モデル(LLM)は、記号操作、数値計算、科学的推論の支援によって物理学研究においてますます重要な役割を担っている。
我々は,3つの重要なモジュールを通じてAIと人間科学者の協調を促進する,新しい多エージェントLLM物理学者フレームワークを導入する。
ケーススタディでは,本手法が解釈可能性を大幅に向上し,体系的な検証が可能となり,物理問題解決と発見における人間とAIの連携が向上することを示した。
論文 参考訳（メタデータ） (2025-04-02T17:13:16Z) - Position: Multimodal Large Language Models Can Significantly Advance Scientific Reasoning [51.11965014462375]
MLLM(Multimodal Large Language Models)は、テキスト、画像、その他のモダリティを統合する。
本稿では,MLLMが数学,物理,化学,生物学などの分野にまたがる科学的推論を著しく前進させることができることを論じる。
論文 参考訳（メタデータ） (2025-02-05T04:05:27Z) - Improving Scientific Hypothesis Generation with Knowledge Grounded Large Language Models [20.648157071328807]
大規模言語モデル(LLM)は、既存の知識を分析することによって、新しい研究の方向性を特定することができる。
LLMは幻覚を発生させる傾向がある。
我々は,知識グラフから外部構造的知識を統合することで,LLM仮説の生成を促進するシステムKG-CoIを提案する。
論文 参考訳（メタデータ） (2024-11-04T18:50:00Z) - SciInstruct: a Self-Reflective Instruction Annotated Dataset for Training Scientific Language Models [57.96527452844273]
我々はSciInstructを紹介した。SciInstructは、大学レベルの科学的推論が可能な科学言語モデルを訓練するための科学指導スイートである。
我々は、物理学、化学、数学、公式な証明を含む多種多様な高品質なデータセットをキュレートした。
SciInstructの有効性を検証するため、SciInstruct、すなわちChatGLM3(6Bと32B)、Llama3-8B-Instruct、Mistral-7B: MetaMathを用いて言語モデルを微調整した。
論文 参考訳（メタデータ） (2024-01-15T20:22:21Z)
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。