論文の概要: Geo-Expert: Towards Expert-Level Geological Reasoning via Parameter-Efficient Fine-Tuning

• arxiv url: http://arxiv.org/abs/2605.24844v1
• Date: Sun, 24 May 2026 03:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.474027
• Title: Geo-Expert: Towards Expert-Level Geological Reasoning via Parameter-Efficient Fine-Tuning
• Title（参考訳）: Geo-Expert:パラメータ効率の良い微調整によるエキスパートレベル地質推論を目指して
• Authors: Chenyou Guo, Zongqi Liu, Yizhou Zhang, Zhaorui Jiang, Ze Liu,
• Abstract要約: 現在の地球科学におけるAIは、主に表面リモートセンシングとGISをターゲットにしている。 パラメータ効率のよいLLMのファミリーであるGeo-Expertを紹介した。 新たな領域固有ベンチマークであるGeo-Evalによる評価により,領域整列8Bモデルは,専門的な地質学的推論において,オープンウェイト70Bジェネリストやプロプライエタリ GPT-4o よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 8.269639082702934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While general-purpose Large Language Models (LLMs) applied to Geology often hallucinate when reasoning about subsurface structures and deep-time evolution, current AI in Earth sciences predominantly targets surface remote sensing and GIS. To bridge this gap, we introduce Geo-Expert, a family of parameter-efficient geological LLMs fine-tuned on a custom-curated, high-quality instruction dataset processed using our custom instruction synthesis pipeline. We investigate the impact of model scaling and architecture by fine-tuning three base models: Qwen3-8B, Qwen3-32B, and Gemma-3-27B, with Low-Rank Adaptation (LoRA) method. Our extensive evaluation on a novel domain-specific benchmark, Geo-Eval, reveals that a domain-aligned 8B model can outperform open-weight 70B generalists and proprietary GPT-4o on specialized geological reasoning, while a 32B variant approaches frontier reasoning models. The optimized 8B model further offers a competitive cost-performance ratio for deployment. This work provides a reproducible recipe for democratizing scientific LLMs and establishes a baseline for geological artificial intelligence.
• Abstract（参考訳）: 地質学に応用される汎用の大規模言語モデル(LLM)は地下構造や深層進化の推論において幻覚を与えることが多いが、地球科学における現在のAIは主に地表リモートセンシングとGISを対象としている。 このギャップを埋めるために、我々はGeo-Expertというパラメータ効率の高い地質学的LLMのファミリーを紹介します。 低ランク適応法(LoRA)を用いて,Qwen3-8B,Qwen3-32B,Gemma-3-27Bの3つのベースモデルを微調整することにより,モデルスケーリングとアーキテクチャの影響を検討する。 領域特異的な新しいベンチマークであるGeo-Evalの広範な評価により、領域整列8Bモデルは、専門的な地質学的推論において、オープンウェイト70BジェネリストやプロプライエタリGPT-4oよりも優れ、一方32B変種はフロンティア推論モデルに近づいた。 最適化された8Bモデルは、デプロイメントの競争力のあるコストパフォーマンス比を提供する。 この研究は、科学的LLMの民主化のための再現可能なレシピを提供し、地質人工知能のベースラインを確立する。

関連論文リスト

• GeoR-Bench: Evaluating Geoscience Visual Reasoning [102.4693880357753]
  現在のAIシステムが、真の地球科学の知性を達成するまでの距離は、まだ不明だ。 我々は,インフォメーション・ビジュアル・編集タスクの推論を通じて,アンダーライン評価のためのアンダーラインベンチマークである textbfGeoR-Bench を提案する。
  論文  参考訳（メタデータ） (2026-05-12T05:13:37Z)
• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• GIAT: A Geologically-Informed Attention Transformer for Lithology Identification [6.315199366662337]
  Geologically-Informed Attention Transformer (GIAT) は、データ駆動型地質学的先行をTransformerの注意機構と融合させる新しいフレームワークである。 GIATは95.4%の精度で最先端のパフォーマンスを達成し、既存のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-10T04:02:57Z)
• Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye [0.0]
  カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、低等級土壌の載荷能力を評価するための重要な測地指標である。 伝統的なテストは、しばしば時間がかかり、コストがかかり、特に大規模または多様な土壌プロファイルにとって、実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,トリキエの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T08:09:55Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• GeoBS: Information-Theoretic Quantification of Geographic Bias in AI Models [34.611626290720295]
  我々はGeo-Biasスコア(Geo-Biasスコア)と呼ばれるジオバイアス評価のための情報理論の枠組みを確立する。 複雑な空間要因を考慮に入れた3つの新しい測地バイアススコアを提案する。
  論文  参考訳（メタデータ） (2025-09-27T20:07:21Z)
• GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models [49.257706111340134]
  進化的探索と地理空間的ドメイン知識を結合した多エージェントLLMフレームワークであるGeoEvolveを紹介する。 本研究では,空間的不確実性と空間的不確実性という2つの基本的・古典的課題について評価する。 空間誤差(RMSE)を13-21%削減し、不確実性推定性能を17%向上させる。
  論文  参考訳（メタデータ） (2025-09-25T21:03:57Z)
• Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations [4.302482081136594]
  本研究では、空間的推論において、よく知られたテクスト(WKT)表現とその空間的関係が保持される範囲について検討する。 我々のワークフローは、比較のための空間的推論タスクを完成させるために、3つの異なるアプローチを採用している。
  論文  参考訳（メタデータ） (2025-05-22T05:21:31Z)
• PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
  地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。 その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。 このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
  論文  参考訳（メタデータ） (2025-01-10T18:59:42Z)
• Learning Structures in Earth Observation Data with Gaussian Processes [67.27044745471207]
  本稿では,この分野の主要な理論gp開発について概説する。 信号特性と雑音特性を尊重し、特徴ランキングを自動的に提供し、関連する不確かさ区間を適用可能にする新しいアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2020-12-22T10:46:37Z)

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。