論文の概要: Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows

• arxiv url: http://arxiv.org/abs/2605.14527v1
• Date: Thu, 14 May 2026 08:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.107018
• Title: Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows
• Title（参考訳）: Lang2MLIP: 自律的エージェントワークフローによるエンドツーエンド言語から機械学習のための原子間ポテンシャル開発
• Authors: Wenwen Li, Yuki Orimo, Nontawat Charoenphakdee,
• Abstract要約: 自然言語入力とエンドツーエンドMLIP開発を定式化するマルチエージェントフレームワークであるLang2MLIPを提案する。 各ステップでは、意思決定エージェントが現在のデータセット、モデル、評価結果、実行ログを観察し、モデルを改善するための適切なアクションを自動的に選択する。 本研究では, 固体電解質間相 (SEI) システムにおいて, 複数成分および界面を有する手法について検討した。
• 参考スコア（独自算出の注目度）: 2.1149232897113497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing machine learning interatomic potentials (MLIPs) for complex materials systems remains challenging because it requires expertise in atomistic simulations, machine learning, and workflow design, as well as iterative active learning procedures. Existing automated pipelines typically assume a fixed sequence of stages or depend on domain experts, which limits their adaptability to heterogeneous materials systems where the optimal curriculum is not known in advance. To lower the barrier to developing MLIPs for non-experts, we propose Lang2MLIP, a multi-agent framework that takes natural-language input and formulates end-to-end MLIP development as a sequential decision-making problem solved by large language models (LLMs). At each step, a decision-making agent observes the current dataset, model, evaluation results, and execution log, and then automatically selects an appropriate action to improve the model. This removes the need for a predefined pipeline and enables the agent to self-correct by revisiting earlier subsystems when new failures arise. We evaluate this approach on a solid electrolyte interphase (SEI) system with multiple components and interfaces. These results suggest that LLM-based multi-agent systems are a promising direction for automating MLIP development and making it more accessible to non-experts.
• Abstract（参考訳）: 複雑な材料システムのための機械学習原子間ポテンシャル(MLIP)の開発は、原子論シミュレーション、機械学習、ワークフロー設計の専門知識と反復的なアクティブな学習手順を必要とするため、依然として困難である。 既存の自動パイプラインは通常、一定の段階の順序を前提とするか、ドメインの専門家に依存しており、最適カリキュラムが事前に分かっていない異種材料システムへの適応性を制限する。 非専門家向けMLIPの開発障壁を低くするために,Lang2MLIPを提案する。Lang2MLIPは自然言語入力を取り込み,大規模言語モデル(LLM)によって解決された逐次的意思決定問題としてエンドツーエンドMLIP開発を定式化するマルチエージェントフレームワークである。 各ステップでは、意思決定エージェントが現在のデータセット、モデル、評価結果、実行ログを観察し、モデルを改善するための適切なアクションを自動的に選択する。 これにより、事前に定義されたパイプラインの必要性を排除し、エージェントが新たな障害が発生した場合に、以前のサブシステムを再検討することで、自己修正を可能にする。 本研究では, 固体電解質間相 (SEI) システムにおいて, 複数成分および界面を有する手法について検討した。 これらの結果から,LSMベースのマルチエージェントシステムはMLIP開発を自動化する上で有望な方向であり,非専門家にも利用しやすいことが示唆された。

関連論文リスト

• AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow [5.022047193471448]
  AutoSurrogateは、地下フロー問題のためのディープラーニングサロゲートを構築するための多エージェントフレームワークである。 機械学習の専門知識のない実践者は、自然言語で高品質なサロゲートを構築できる。 我々は,3次元炭素貯蔵モデリングタスクにおけるAutoSurrogateの有用性を実証し,透水性場を圧力にマッピングし,31回以上の飽和場をCO$$で提供する。
  論文  参考訳（メタデータ） (2026-04-13T18:36:02Z)
• Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research [2.4251063179584436]
  Mimosaは、タスク固有のマルチエージェントを自動的に合成し、それを反復的に洗練する進化中のマルチエージェントフレームワークである。 Mimosaは完全なオープンソースプラットフォームとしてリリースされ、コミュニティ主導のASRのためのオープンな基盤を提供することを目指している。
  論文  参考訳（メタデータ） (2026-03-30T20:35:57Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Large Language Model Agent for User-friendly Chemical Process Simulations [0.0]
  大規模言語モデル (LLM) エージェントは AVEVA Process Model Protocol (MCP) と統合され、自然言語のシミュレーションを可能にする。 2つのケーススタディは、異なるタスクの複雑さと相互作用モードにわたるフレームワークを評価する。 このフレームワークは、技術的な概念の翻訳と実証によって教育目的と、データ抽出の自動化、ルーチンタスクの高速化、サポートによって経験豊富な実践者の両方に役立ちます。 オーバーシンプル化、計算エラー、技術的ヒックアップといった現在の制限は専門家の監視を必要とするが、このフレームワークはLSMベースのエージェントが貴重な協力者になれることを示唆している。
  論文  参考訳（メタデータ） (2026-01-15T12:18:45Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• Agentic Systems in Radiology: Design, Applications, Evaluation, and Challenges [13.53016942028838]
  大型言語モデル(LLM)は、自然言語を使って情報を統合し、指示に従い、推論と計画の形式を実行することができる。 マルチモーダルなデータストリームと複数のシステムにまたがるオーケストレーションによって、ラジオロジーはコンテキストに適応し、繰り返しながら複雑なタスクを自動化するエージェントの恩恵を受けるのに一意に適している。 本稿では, LLMエージェントシステムの設計を概観し, 主要なアプリケーションを強調し, 計画とツール使用の評価方法について議論し, エラーカスケード, ツール使用効率, 健康IT統合といった課題の概要を述べる。
  論文  参考訳（メタデータ） (2025-10-10T13:56:27Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)

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。