論文の概要: Agentic Design of Compositional Descriptors via Autoresearch for Materials Science Applications

• arxiv url: http://arxiv.org/abs/2605.14671v1
• Date: Thu, 14 May 2026 10:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.117622
• Title: Agentic Design of Compositional Descriptors via Autoresearch for Materials Science Applications
• Title（参考訳）: 材料科学応用のための自動検索による構成記述子のエージェント設計
• Authors: Matteo Cobelli, Stefano Sanvito,
• Abstract要約: 自動検索エージェントがモデル選択以上のタスクを実行できるかどうかを検証するために,合成ベース素材の適正性予測を用いる。 本稿では,大規模言語モデルに基づく自動検索フレームワークであるAutomatを紹介し,化合物の合成専用記述子を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoresearch offers a flexible paradigm for automating scientific tasks, in which an AI agent proposes, implements, evaluates, and refines candidate solutions against a quantitative objective. Here, we use composition-based materials-property prediction to test whether such agents can perform a task beyond model selection and hyperparameter optimization: the design of input descriptors. We introduce Automat, an autoresearch framework where a coding agent based on a large language model generates composition-only descriptors for chemical compounds and evaluates them using a random forest workflow. The agent is restricted to information derivable from chemical formulas and iteratively proposes, implements, and tests chemically motivated descriptor strategies. We apply Automat, with OpenAI Codex using GPT-5.5 as the coding agent, to the prediction of experimental band gaps in inorganic materials and Curie temperatures in ferromagnetic compounds. In both tasks, Automat improves over fractional-composition, Magpie, and combined fractional-composition/Magpie baselines, while producing descriptor families that are chemically interpretable. These results provide a demonstration that autoresearch agents can generate competitive, task-specific materials descriptors without manual feature engineering during the run. They also reveal current limitations, including descriptor redundancy, sensitivity to greedy feature expansion, and the need for explicit complexity control, descriptor pruning, and more sophisticated search strategies.
• Abstract（参考訳）: Autoresearchは、AIエージェントが定量的目的に対して候補ソリューションを提案し、実装し、評価し、洗練する科学タスクを自動化するフレキシブルなパラダイムを提供する。 そこで本研究では, 入力記述子の設計において, モデル選択やハイパーパラメータ最適化以外のタスクを実行できるかどうかを検証するために, 合成に基づく材料プロパティ予測を用いる。 本稿では,大規模言語モデルに基づく自動検索フレームワークであるAutomatを紹介し,化学化合物の合成専用記述子を生成し,それらをランダムな森林ワークフローを用いて評価する。 この薬剤は、化学式から得られる情報に制限され、化学的に動機付けられた記述戦略を反復的に提案し、実施し、試験する。 GPT-5.5 を符号化剤として OpenAI コーデックスを用いた Automat を無機材料の実験バンドギャップと強磁性化合物のキュリー温度の予測に適用した。 両方のタスクにおいて、オートマトは分数分解、マグピー、および分数分解/マグピーのベースラインの組み合わせよりも改善し、化学的に解釈可能なディスクリプタファミリーを生成する。 これらの結果は、自動検索エージェントが、実行中に手動のフィーチャエンジニアリングなしで、競争力のあるタスク固有の材料記述子を生成できるデモを提供する。 また、ディスクリプタの冗長性、強欲な機能拡張に対する感受性、明示的な複雑性制御、記述子プルーニング、より洗練された検索戦略の必要性など、現在の制限も明らかにしている。

関連論文リスト

• Can Coding Agents Reproduce Findings in Computational Materials Science? [49.254975563645786]
  本稿では,大規模言語モデルの科学的主張を再現する能力を評価するためのベンチマークであるAutoMatを紹介する。 課題を専門とする専門家と緊密に連携することで、実際の材料科学論文からの一連の主張をキュレートし、コーディングエージェントがエンドツーエンドのワークフローを回復し実行できるかどうかを検証します。 結果、現在のLSMベースのエージェントはAutoMatの全体的な成功率を低くし、最も優れた設定は54.1%に過ぎなかった。
  論文  参考訳（メタデータ） (2026-05-01T17:42:12Z)
• Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
  生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。 我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。 簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
  論文  参考訳（メタデータ） (2025-12-02T18:42:26Z)
• Are Agents Just Automata? On the Formal Equivalence Between Agentic AI and the Chomsky Hierarchy [4.245979127318219]
  本稿では,現代エージェントAIシステムのアーキテクチャクラスと階層の抽象機械との形式的等価性を確立する。 単純な反射エージェントは有限オートマタと等価であり、階層的なタスク分解エージェントはプッシュダウンオートマタと等価であり、リフレクションに読み取り/書き込み可能なメモリを使用するエージェントはTMと等価であることを示す。
  論文  参考訳（メタデータ） (2025-10-27T16:22:02Z)
• Agentic Additive Manufacturing Alloy Discovery [10.771896497348969]
  本研究の目的は, 大型言語モデル (LLM) により, 添加物製造分野における合金発見作業の自動化と高速化を図ることである。
  論文  参考訳（メタデータ） (2025-10-02T21:06:04Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)

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。