論文の概要: AutoDFT: A Closed-Loop Multi-Agent Framework for Autonomous DFT Calculations

• arxiv url: http://arxiv.org/abs/2605.26179v1
• Date: Mon, 25 May 2026 06:43:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.274598
• Title: AutoDFT: A Closed-Loop Multi-Agent Framework for Autonomous DFT Calculations
• Title（参考訳）: AutoDFT:自律型DFT計算のための閉ループマルチエージェントフレームワーク
• Authors: Penghui Yang, Zhonghan Zhang, Yue Li, Xinrun Wag, Yanchen Deng, Yuhao Lu, Bijun Tang, Zheng Liu, Bo An,
• Abstract要約: DFTライフサイクルのすべてのステージに推論を組み込むクローズドループマルチエージェントフレームワークであるAutoDFTを紹介する。 計画と実行のループを閉じることで、AutoDFTは深層計算の専門知識を持たない実験者が信頼できる第一原理の結果を得ることができる。
• 参考スコア（独自算出の注目度）: 16.73727054276682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Density functional theory (DFT) serves as the basis for computational discovery in materials science and chemistry, yet each calculation demands extensive human effort: adjusting algorithms when convergence stalls, revising plans when unexpected physics emerges, and inserting steps as intermediate results reshape the problem. Existing LLM-based agents automate only the initial planning stage, producing a full execution plan upfront and leaving all subsequent adaptation to hand-crafted rules. As a result, these workflows remain fragile, do not generalize well beyond pre-planned scenarios, and often require expert intervention when failures or unexpected intermediate results require changes to the calculation path. Here, we introduce AutoDFT, a closed-loop multi-agent framework that embeds LLM reasoning into every stage of the DFT lifecycle, where a strategic planner produces a skeletal plan of step objectives; a step planner generates numerical parameters just in time from preceding results; and a monitor-recover-reflect cycle diagnoses failures, repairs them, and revises the plan when the evidence justifies it. We demonstrate both breadth and depth: breadth on VASPBench, a purpose-built benchmark spanning 34 tasks and 9 DFT calculation types, where AutoDFT achieves 94.1% task-level success with GPT-5.2; and depth on established materials databases, where AutoDFT produces quantitatively reliable property predictions across electronic, magnetic, and energetic properties. By closing the loop between planning and execution, AutoDFT enables experimentalists without deep computational expertise to obtain reliable first-principles results.
• Abstract（参考訳）: 密度汎関数理論(DFT)は、材料科学と化学における計算発見の基盤となっているが、各計算は、収束が停止した時にアルゴリズムを調整すること、予期しない物理学が出現した時に計画を変更すること、中間結果としてステップを挿入することなど、幅広い人間の努力を必要とする。 既存のLSMベースのエージェントは、最初の計画段階のみを自動化し、完全な実行計画を前もって作成し、その後のすべての手作りルールへの適応を残している。 その結果、これらのワークフローは脆弱なままであり、事前計画されたシナリオをはるかに越えて一般化せず、しばしば失敗や予期せぬ中間結果が計算パスの変更を必要とする場合、専門家の介入を必要とします。 本稿では、DFTライフサイクルのすべての段階にLCM推論を組み込んだ閉ループマルチエージェントフレームワークであるAutoDFTを紹介し、そこでは戦略プランナーがステップ目標の骨格計画を作成する。 VASPBenchは34のタスクと9のDFT計算タイプにまたがる汎用ベンチマークであり、AutoDFTはGPT-5.2で94.1%のタスクレベルの成功を達成している。 計画と実行のループを閉じることで、AutoDFTは深層計算の専門知識を持たない実験者が信頼できる第一原理の結果を得ることができる。

関連論文リスト

• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• DREAMS: Density Functional Theory Based Research Engine for Agentic Materials Simulation [1.3821435284269523]
  エージェント材料スクリーニングのためのDFTベースリサーチエンジン(DREAMS)について紹介する。 DREAMSはDFTシミュレーションのための階層的マルチエージェントフレームワークであり、LLM(Central Large Language Model)プランナーエージェントとドメイン固有のLLMエージェントを組み合わせたものである。 DREAMSをSol27LC格子定数ベンチマークで検証し,人間のDFT専門家と比較すると平均誤差を1%以下に抑えることができた。
  論文  参考訳（メタデータ） (2025-07-18T15:26:04Z)
• Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
  本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。 その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
  論文  参考訳（メタデータ） (2025-07-03T11:20:22Z)
• Complex LLM Planning via Automated Heuristics Discovery [48.07520536415374]
  複雑な計画タスクのための大規模言語モデル(LLM)の強化を検討する。 我々は,LLMがガイドタイム検索の関数を明示的に生成できる新しい手法である自動推論発見(AutoHD)を提案する。 提案手法はモデルトレーニングや微調整を必要とせず,LLMが生成する関数の明示的な定義は推論過程の解釈可能性と洞察を与える。
  論文  参考訳（メタデータ） (2025-02-26T16:52:31Z)
• On Sequential Fault-Intolerant Process Planning [60.66853798340345]
  我々は、逐次的フォールトトレラントプロセス計画(SFIPP)と呼ばれる計画問題を提案し、研究する。 SFIPPは、全ての段階が成功する場合にのみ計画が成功すると判断される多くの連続した多段階決定問題に共通する報酬構造をキャプチャする。 私たちは、異なるアクションを選択して、それぞれのステージで成功の確率を未知にする必要がある設定のために、確実に厳密なオンラインアルゴリズムを設計します。
  論文  参考訳（メタデータ） (2025-02-07T15:20:35Z)
• Unlocking Large Language Model's Planning Capabilities with Maximum Diversity Fine-tuning [10.704716790096498]
  大規模言語モデル(LLM)は、技術やシステム設計の促進を通じて、目覚ましいタスク解決能力を示している。 事前データに制限のあるタスクを計画するためには、GPTやGeminiといったプロプライエタリなモデルを含むLLMのパフォーマンスは貧弱である。 本稿では,LLMの計画能力に及ぼす微調整の影響について検討する。
  論文  参考訳（メタデータ） (2024-06-15T03:06:14Z)
• ALPINE: Unveiling the Planning Capability of Autoregressive Learning in Language Models [48.559185522099625]
  計画は人間の知性と現代大言語モデル(LLM)の両方の重要な要素である 本稿では,トランスフォーマーを用いたLLMにおける次の単語予測機構による計画能力の出現について検討する。
  論文  参考訳（メタデータ） (2024-05-15T09:59:37Z)
• Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery [2.7810723668216575]
  従来のDFTベース機械学習(ML)で典型的なものを超える精度、効率、アプローチに必要な進歩について述べる。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
  論文  参考訳（メタデータ） (2022-05-06T00:34:50Z)

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。