論文の概要: From Data to Theory: Autonomous Large Language Model Agents for Materials Science

• arxiv url: http://arxiv.org/abs/2604.19789v1
• Date: Wed, 01 Apr 2026 18:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.080825
• Title: From Data to Theory: Autonomous Large Language Model Agents for Materials Science
• Title（参考訳）: データから理論へ:物質科学のための自律型大規模言語モデルエージェント
• Authors: Samuel Onimpa Alfred, Veera Sundararaghavan,
• Abstract要約: エンド・ツー・エンド・エンド・エンド・データ駆動型材料理論開発のための自律型大規模言語モデル (LLM) エージェントを提案する。 モデルは方程式形式を選択し、独自のコードを生成して実行し、理論が人間の介入なしにデータとどの程度うまく一致しているかをテストすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an autonomous large language model (LLM) agent for end-to-end, data-driven materials theory development. The model can choose an equation form, generate and run its own code, and test how well the theory matches the data without human intervention. The framework combines step-by-step reasoning with expert-supplied tools, allowing the agent to adjust its approach as needed while keeping a clear record of its decisions. For well-established materials relationships such as the Hall-Petch equation and Paris law, the agent correctly identifies the governing equation and makes reliable predictions on new datasets. For more specialized relationships, such as Kuhn's equation for the HOMO-LUMO gap of conjugated molecules as a function of length, performance depends more strongly on the underlying model, with GPT-5 showing better recovery of the correct equation. Beyond known theories, the agent can also suggest new predictive relationships, illustrated here by a strain-dependent law for changes in the HOMO-LUMO gap. At the same time, the results show that careful validation remains essential, because the agent can still return incorrect, incomplete, or inconsistent equations even when the numerical fit appears strong. Overall, these results highlight both the promise and the current limitations of autonomous LLM agents for AI-assisted scientific modeling and discovery.
• Abstract（参考訳）: エンド・ツー・エンド・エンド・エンド・データ駆動型材料理論開発のための自律型大規模言語モデル (LLM) エージェントを提案する。 モデルは方程式形式を選択し、独自のコードを生成して実行し、理論が人間の介入なしにデータとどの程度うまく一致しているかをテストすることができる。 このフレームワークは、ステップバイステップの推論と専門家が供給するツールを組み合わせることで、エージェントが必要に応じてアプローチを調整すると同時に、決定の明確な記録を保持することができる。 ホール・ペッチ方程式やパリ法則のような確立された物質関係において、エージェントは統治方程式を正しく識別し、新しいデータセット上で信頼できる予測を行う。 長さの関数としての共役分子のHOMO-LUMOギャップに対するクーンの方程式のようなより専門的な関係では、性能は基礎モデルに強く依存し、GPT-5は正しい方程式のより良い回復を示す。 既知の理論以外にも、このエージェントは、HOMO-LUMOギャップの変化に関するひずみ依存法則によって、ここで示される新しい予測関係を提案できる。 同時に, 数値適合性が強い場合でも, エージェントは不正確, 不完全, 不整合方程式を返すことができるため, 慎重な検証が依然として必要であることを示す。 これらの結果は、AIによる科学モデリングと発見のための自律LLMエージェントの約束と現在の制限の両方を強調している。

関連論文リスト

• DMMRL: Disentangled Multi-Modal Representation Learning via Variational Autoencoders for Molecular Property Prediction [7.709891405320469]
  分子表現を共有(構造関連)およびプライベート(モダリティ特化)潜在空間に分散させる変分オートエンコーダを提案する。 提案手法は, 特性予測に最も有用な特徴を効果的に分離するものである。 7つのベンチマークデータセットの実験的検証は、最先端のアプローチと比較してDMMRLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-03-22T07:53:08Z)
• Semi-Supervised Learning under General Causal Models [51.90307793476367]
  半教師付き学習(SSL)は、ラベル付きデータと非ラベル付きデータの両方を使用して機械学習モデルをトレーニングすることを目的としている。 本稿では、変数が柔軟な因果関係を持つ一般的な因果関係モデルで動作するフレームワークを提案する。 学習した因果生成モデルは、より正確な予測モデルをトレーニングするための合成ラベル付きデータを生成することができる。
  論文  参考訳（メタデータ） (2025-10-26T07:46:38Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• SLEM: Machine Learning for Path Modeling and Causal Inference with Super Learner Equation Modeling [3.988614978933934]
  因果推論は科学の重要な目標であり、研究者は観測データを使って意味のある結論に達することができる。 経路モデル、構造方程式モデル(SEM)および指向非巡回グラフ(DAG)は、現象の根底にある因果構造に関する仮定を明確に特定する手段を提供する。 本稿では,機械学習のスーパーラーナーアンサンブルを統合したパスモデリング手法であるSuper Learner Equation Modelingを提案する。
  論文  参考訳（メタデータ） (2023-08-08T16:04:42Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)

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。