論文の概要: Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductors Discovery
- arxiv url: http://arxiv.org/abs/2604.23758v2
- Date: Wed, 29 Apr 2026 16:34:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 13:51:54.043381
- Title: Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductors Discovery
- Title（参考訳）: 超伝導発見を加速する大規模原子・言語モデルのエージェント融合
- Authors: Mingze Li, Yu Rong, Songyou Li, Lihong Wang, Jiacheng Cen, Liming Wu, Anyi Li, Zongzhao Li, Qiuliang Liu, Rui Jiao, Tian Bian, Pengju Wang, Hao Sun, Jianfeng Zhang, Ji-Rong Wen, Deli Zhao, Shifeng Jin, Tingyang Xu, Wenbing Huang,
- Abstract要約: ElementsClawは材料発見のためのエージェントフレームワークである。
大型言語モデル(LLM)と大型原子モデル(LAM)を相乗化する。
わずか28GPU時間で240万の結晶をスクリーニングし、68,000の高信頼候補を識別する。
- 参考スコア（独自算出の注目度）: 85.54953285509167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The discovery of novel materials is critical for global energy and quantum technology transitions. While deep learning has fundamentally reshaped this landscape, existing predictive or generative models typically operate in isolation, lacking the autonomous orchestration required to execute the full discovery process. Here we present ElementsClaw, an agentic framework for materials discovery that synergizes Large Atomic Models (LAMs) with Large Language Models (LLMs). In response to varied human queries, ElementsClaw orchestrates a suite of LAM tools finetuned from our proposed 1-billion-parameter model Elements for atomic-scale numerical computation, while leveraging LLMs for high-level semantic reasoning. This shift moves AI-driven materials science from isolated processes toward integrated and human interactive discovery. Applied to superconductors, ElementsClaw screens 2.4 million crystals in just 28 GPU hours to identify 68,000 high-confidence candidates (The complete dataset of screened superconductors is available at https://developer.damo-academy.com/material), expanding known superconducting space by orders of magnitude compared to datasets curated over decades. Critically, ElementsClaw achieves a high success rate in identifying superconductors hidden in literature and discovers four novel experimentally verified superconductors, exemplified by Zr3ScRe8 with a transition temperature of 6.8 K and HfZrRe4 at 6.7 K. Together, our results establish a knowledge integrated, autonomously orchestrated, and experimentally grounded paradigm for materials discovery.
- Abstract（参考訳）: 新たな物質の発見は、地球エネルギーと量子技術の遷移にとって重要である。
ディープラーニングはこの風景を根本的に変えてきたが、既存の予測モデルや生成モデルは独立して動作し、完全な発見プロセスを実行するために必要な自律的なオーケストレーションが欠如している。
本稿では、大規模原子モデル(LAM)と大規模言語モデル(LLM)を相乗化する材料発見のためのエージェントフレームワークであるElementsClawを紹介する。
多様なヒューマンクエリに対応するため、ElementsClawは、提案した1-billion-parameterモデルから微調整されたLAMツール群を、高レベルのセマンティック推論にLLMを活用しながら、原子スケールの数値計算に利用する。
このシフトは、AI駆動の材料科学を、独立したプロセスから、統合的で人間の対話的な発見へと移行する。
超伝導体に適用されたElementsClawは、わずか28GPU時間で2.4万個の結晶をスクリーニングし、68,000個の高信頼候補を特定する(スクリーニングされた超伝導体の完全なデータセットはhttps://developer.damo-academy.com/ Materials)。
批判的に、ElementsClawは、文献に隠された超伝導体を同定する上で高い成功率を達成し、Zr3ScRe8によって6.8KとHfZrRe4の遷移温度で実証された4つの実験的に検証された超伝導体を6.7Kで発見する。
関連論文リスト
- Guided Diffusion for the Discovery of New Superconductors [4.592996089024724]
高温超伝導など、特定の望ましい特性を持つ材料の逆設計は、材料科学における重大な課題である。
本稿では,新しい超伝導体の発見を促進するための誘導拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-29T17:59:52Z) - TopoMAS: Large Language Model Driven Topological Materials Multiagent System [9.394163894876689]
TopoMASは、材料発見パイプラインをシームレスにオーケストレーションする対話型ヒューマンAIフレームワークである。
TopoMASは、計算結果を動的知識グラフに自律的に統合することでループを閉じる。
既に新しい位相相SrSbO3の同定を導いている。
論文 参考訳（メタデータ） (2025-07-05T14:23:12Z) - Solving the Hubbard model with Neural Quantum States [66.55653324211542]
ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。
NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。
我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
論文 参考訳（メタデータ） (2025-07-03T14:08:25Z) - Design and simulation of a transmon qubit chip for Axion detection [103.69390312201169]
超伝導量子ビットに基づくデバイスは、量子非劣化測定(QND)による数GHz単一光子の検出に成功している。
本研究では,Qub-ITの超伝導量子ビットデバイスの実現に向けた状況を示す。
論文 参考訳（メタデータ） (2023-10-08T17:11:42Z) - Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。
本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文 参考訳（メタデータ） (2023-05-16T19:12:41Z) - Halide perovskite artificial solids as a new platform to simulate
collective phenomena in doped Mott insulators [43.55994393060723]
本研究では,ハロゲン化鉛ペロブスカイトナノキューブを用いた人工格子を,相関量子材料の物理をシミュレーションし,研究するための新しいプラットフォームとして紹介する。
大規模な光ドーピングにおいて、励起子ガスは励起モット遷移を行い、ハバードモデルで記述された磁場駆動絶縁体-金属間遷移を完全に実現していることを示す。
その結果, 時間分解実験は, ドープモット絶縁相から長距離および位相コヒーレント秩序が出現するハバードモデルのパラメータ領域にまたがることを示した。
論文 参考訳（メタデータ） (2023-03-15T17:38:51Z) - Quantum Simulation of an Extended Fermi-Hubbard Model Using a 2D Lattice
of Dopant-based Quantum Dots [5.046411982403706]
ハバードモデル(Hubbard model)は、凝縮物質系における本質的な多体物理学を理解するための主要なモデルの一つである。
近年のシリコンの原子レベルでの精密な製造は、原子単位での単一および少数ドーパント量子ドットの創製を可能にしている。
本研究では,STM-Fabricated 3x3 arrays of single/few-dopant quantum dots を用いた2次元拡張フェルミ・ハバード・ハミルトニアンのアナログ量子シミュレーションを実演する。
論文 参考訳（メタデータ） (2021-10-18T02:24:05Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Quantum Sensors for Microscopic Tunneling Systems [58.720142291102135]
トンネル2層系(TLS)は超伝導量子ビットなどのマイクロファブリック量子デバイスにおいて重要である。
本稿では,薄膜として堆積した任意の材料に個々のTLSを特徴付ける手法を提案する。
提案手法は, トンネル欠陥の構造を解明するために, 量子材料分光の道を開く。
論文 参考訳（メタデータ） (2020-11-29T09:57:50Z) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳（メタデータ） (2020-08-26T20:27:19Z)
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。