論文の概要: Can LLMs extract scientific consensus? A case study in high-temperature superconductivity

• arxiv url: http://arxiv.org/abs/2606.07570v1
• Date: Tue, 26 May 2026 03:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.733012
• Title: Can LLMs extract scientific consensus? A case study in high-temperature superconductivity
• Title（参考訳）: LLMは科学的コンセンサスを抽出できるか? : 高温超伝導のケーススタディ
• Authors: Mouyang Cheng, Wenhao He, Zhuotao Jin, Bowen Yu, Ju Li, Boris Kozinsky, Yao Wang, Pavel Volkov, Liangzi Deng, Ching-Wu Chu, Xiao-Gang Wen, Mingda Li,
• Abstract要約: 大規模言語モデル (LLM) は情報抽出と要約において顕著な性能を示した。 本研究では, 高温超伝導(HTS)の文脈におけるこの問題について検討する。
• 参考スコア（独自算出の注目度）: 8.052791451171487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific knowledge is increasingly dispersed across vast and heterogeneous scientific literature, where important claims are often implicit, evolving, and internally debated. While large language models (LLMs) have shown impressive performance in information extraction and summarization, their ability to recover latent scientific consensus remains unclear. Here, we investigate this problem in the context of high-temperature superconductivity (HTS), a long-standing and highly debated topic in condensed matter physics, as a challenging testbed. Using near 18,000 highly-cited publications over the past seven decades, we construct a structured knowledge graph linking competing superconducting mechanisms, material families, evidential modalities, and citation relations. We find that LLM-extracted representations recover coherent and physically interpretable structures, including family-dependent mechanism profiles, evidence-specific correlations, and citation-mediated temporal evolution of scientific beliefs. Ablation studies on LLM further show that the global structure remains robust across prompting, decoding, and model variations. Our results suggest that LLMs can indeed serve as scalable tools for deciphering scientific knowledge in domains characterized by competing interpretations and evolving knowledge.
• Abstract（参考訳）: 科学的知識は、重要な主張が暗黙的に、進化し、内部で議論される、広大な、異質な科学文献に分散している。 大規模言語モデル (LLM) は情報抽出と要約において顕著な性能を示したが、潜伏した科学的コンセンサスを回復する能力はいまだ不明である。 本稿では, 高温超伝導(高温超伝導, HTS)の文脈において, 凝縮体物理学における長年, 議論の激しい話題としてこの問題を, 挑戦的なテストベッドとして検討する。 過去70年間に約18,000の高度に励起された出版物を用いて、競合する超伝導機構、物質ファミリー、明らかなモダリティ、および励起関係をリンクする構造化された知識グラフを構築した。 LLMによって抽出された表現は、家族依存のメカニズムプロファイル、エビデンス固有の相関、引用による科学的信念の時間的進化を含む、コヒーレントで物理的に解釈可能な構造を復元する。 LLMのアブレーション研究は、大域構造がプロンプト、デコーディング、モデルバリエーションにわたって頑健であることをさらに示している。 この結果から, LLMは, 競合する解釈や進化する知識を特徴とする領域において, 科学的知識を解読するためのスケーラブルなツールとして機能することが示唆された。

関連論文リスト

• A Multi-Agent Human-LLM Collaborative Framework for Closed-Loop Scientific Literature Summarization [14.654160505140426]
  我々は,AI,大規模言語モデル,人間科学者を統合したマルチエージェント・ヒューマン・イン・ザ・ループシステムであるElhuyarを紹介した。 このフレームワークは、論文のフィルタリング、データ抽出、フィッティングモデル、および要約結果のための特別エージェントにタスクを分散し、人間の監視が信頼性を確保する。 抽出されたデータ、視覚化、モデル方程式、テキスト要約を含む構造化されたレポートを生成し、反復的な精査を通じてより深い調査を可能にする。
  論文  参考訳（メタデータ） (2026-04-01T22:58:42Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• What's In Your Field? Mapping Scientific Research with Knowledge Graphs and Large Language Models [4.8261605642238745]
  大規模言語モデル(LLM)は、大きな仕事の全体にわたる詳細な関係を捉えることができない。 構造化された表現は、自然に補完する -- コーパス全体にわたって体系的な分析を可能にする。 文献全体に関する正確な質問に答えるシステムを試作する。
  論文  参考訳（メタデータ） (2025-03-12T23:24:40Z)
• Improving Scientific Hypothesis Generation with Knowledge Grounded Large Language Models [20.648157071328807]
  大規模言語モデル(LLM)は、既存の知識を分析することによって、新しい研究の方向性を特定することができる。 LLMは幻覚を発生させる傾向がある。 我々は,知識グラフから外部構造的知識を統合することで,LLM仮説の生成を促進するシステムKG-CoIを提案する。
  論文  参考訳（メタデータ） (2024-11-04T18:50:00Z)
• A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
  大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。 我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-16T08:03:24Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Scientific Large Language Models: A Survey on Biological & Chemical Domains [47.97810890521825]
  大規模言語モデル(LLM)は、自然言語理解の強化において、変革的な力として現れてきた。 LLMの応用は従来の言語境界を超えて、様々な科学分野で開発された専門的な言語システムを含んでいる。 AI for Science(AI for Science)のコミュニティで急成長している分野として、科学LLMは包括的な探査を義務付けている。
  論文  参考訳（メタデータ） (2024-01-26T05:33:34Z)

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。