論文の概要: LLM-guided phase diagram construction through high-throughput experimentation

• arxiv url: http://arxiv.org/abs/2604.20304v1
• Date: Wed, 22 Apr 2026 08:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.029147
• Title: LLM-guided phase diagram construction through high-throughput experimentation
• Title（参考訳）: 高出力実験によるLCM誘導相図の構築
• Authors: Ryo Tamura, Haruhiko Morito, Yuna Oikawa, Guillaume Deffrennes, Shoichi Matsuda, Naruki Yoshikawa, Tomoaki Takayama, Taichi Abe, Koji Tsuda, Kei Terayama,
• Abstract要約: 大規模言語モデル(LLM)は、フェーズ図構築のための実験的計画のガイドとなる。 900度CでCo-Al-Ge系の3次相図を試作した。
• 参考スコア（独自算出の注目度）: 0.3290024975001636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing phase diagrams for multicomponent alloys requires extensive experimental measurements and is a time-consuming task. Here we investigate whether large language models (LLMs) can guide experimental planning for phase diagram construction. In our framework, a general-purpose LLM serves as the experimental planner, suggesting compositions for measurement at each cycle in a closed loop with high-throughput synthesis and X-ray diffraction phase identification. Using this framework, we experimentally constructed the ternary phase diagram of the Co-Al-Ge system at 900 degree C through iterative synthesis and characterization. We compared two strategies that differ in how the initial compositions are selected: one uses predictions from a domain-specific LLM trained on phase diagram data (aLLoyM), while the other relies solely on the general-purpose LLM. The two strategies exhibited complementary strengths. aLLoyM directed the initial measurements toward compositionally complex regions in the interior of the ternary diagram, enabling the earliest discovery of all three novel phases that form only in the ternary system. In contrast, the general-purpose LLM adopted a textbook-like approach which efficiently identified a larger number of phases in fewer cycles. In addition, a simulated benchmark comparing the LLM against conventional machine learning confirmed that the LLM achieves more efficient exploration. The results demonstrate that LLMs have high potential as experimental planners for phase diagram construction.
• Abstract（参考訳）: 多成分合金のための相図の構築には、広範な実験的測定が必要であり、時間を要する課題である。 本稿では,大規模言語モデル (LLM) が相図構築のための実験的計画を導出できるかどうかを検討する。 本フレームワークでは,高スループット合成とX線回折位相同定を併用した閉ループにおける各サイクルでの計測のための合成法を提案する。 このフレームワークを用いて,900度CのCo-Al-Ge系の3次相図を反復合成およびキャラクタリゼーションにより試作した。 1つは位相図データ(aLLoyM)に基づいて訓練されたドメイン固有LLMの予測を使い、もう1つは汎用LLMにのみ依存する。 2つの戦略は相補的な強みを示した。 aLLoyMは、最初の測定を第三次図の内側の組成的に複雑な領域に向け、第三次図でのみ形成される3つの新しい位相の早期発見を可能にした。 対照的に、汎用LLMは、より少ないサイクルでより多くのフェーズを効率的に識別する教科書のようなアプローチを採用した。 さらに、従来の機械学習と比較したシミュレーションベンチマークにより、LLMがより効率的な探索を実現することを確認した。 その結果,LSMは相図構築のための実験的プランナーとして高いポテンシャルを持つことが示された。

関連論文リスト

• Detailed balance in large language model-driven agents [1.2687030176231846]
  大規模言語モデル(LLM)によるエージェントは、複雑な問題を解決するための強力な新しいパラダイムとして登場しつつある。 本報告では, エージェント内に埋め込まれたLCMの生成方向を推定する手法を提案する。
  論文  参考訳（メタデータ） (2025-12-10T20:04:23Z)
• Training-Free Active Learning Framework in Materials Science with Large Language Models [1.7173772511677432]
  大規模言語モデル(LLM)は、事前訓練された知識と普遍的なトークンベースの表現を活用することで、新しいパラダイムを提供する。 本稿では, LLM をベースとしたアクティブラーニングフレームワーク (LLM-AL) について紹介する。
  論文  参考訳（メタデータ） (2025-11-24T21:46:29Z)
• Bifrost-1: Bridging Multimodal LLMs and Diffusion Models with Patch-level CLIP Latents [55.82787697101274]
  Bifrost-1は、事前訓練されたマルチモーダルLLM(MLLM)と拡散モデルをブリッジする統合フレームワークである。 予め訓練したMLLMと拡散モデルとパッチレベルのCLIPラプタントをシームレスに統合することにより,高忠実度制御可能な画像生成を実現する。 実験の結果,Bifrost-1は視覚的忠実度やマルチモーダル理解の観点から,従来の手法と同等あるいは優れた性能を達成できた。
  論文  参考訳（メタデータ） (2025-08-08T02:38:47Z)
• aLLoyM: A large language model for alloy phase diagram prediction [1.045661264013178]
  本稿では,合金組成,温度,およびそれに対応する位相情報に特化して訓練された,微調整大言語モデル (LLM) であるaLLoyMを紹介する。 我々は、オープンソースの事前学習型LLMであるMistralを、複数選択と短問合せの2つの異なるQ&Aフォーマット向けに微調整した。 ベンチマーク評価は、微調整が多点相図問題の性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-07-30T10:32:39Z)
• FusionFactory: Fusing LLM Capabilities with Multi-LLM Log Data [60.09659670497899]
  大規模言語モデル(LLM)は、さまざまなモデルのランドスケープを持ち、それぞれが異なるタスクで優れています。 この多様性は、研究者に複数のLLMを実際に採用させ、貴重なマルチLLMログデータを残します。 1)実世界のサービスシナリオ(例えば、ローカルおよびAPIベースのサービス)との互換性と、(2)様々なユーザニーズを満たすためにLLMパイプラインの異なる段階での運用の柔軟性である。
  論文  参考訳（メタデータ） (2025-07-14T17:58:02Z)
• CoMMIT: Coordinated Multimodal Instruction Tuning [90.1532838391285]
  マルチモーダル大言語モデル(MLLM)は一般に、バックボーンLLMと非テキスト入力モードの特徴エンコーダ間の協調学習を含む。 本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。 本稿では,学習のバランスを定量的に測定できるマルチモーダルバランス係数を提案する。
  論文  参考訳（メタデータ） (2024-07-29T23:18:55Z)
• The Unlocking Spell on Base LLMs: Rethinking Alignment via In-Context Learning [61.68787689234622]
  最近の研究であるLIMAは、アライメントチューニングに1Kの例のみを用いることで、アライメント性能も著しく向上することを示した。 これにより、アライメントチューニングがベースLLMをどのように変換するかという疑問が提起される。 本研究では,チューニングフリーとチューニングベースアライメントのギャップを戦略的プロンプトによって著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T00:46:11Z)
• Do Embodied Agents Dream of Pixelated Sheep: Embodied Decision Making using Language Guided World Modelling [101.59430768507997]
  強化学習 (Reinforcement Learning, RL) エージェントは通常、世界の事前の知識なしに、タブラララザを学習する。 抽象世界モデル (AWM) を仮定するために, 少数ショット大言語モデル (LLM) を提案する。 LLMを用いてAWMを仮定し, エージェント経験に基づくAWMの検証を行うことで, 従来手法よりもサンプル効率を桁違いに向上させることができる。
  論文  参考訳（メタデータ） (2023-01-28T02:04:07Z)

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。