論文の概要: ARIA: A Causal-Aware Framework for Rescuing LLM Reasoning in Trustworthy Materials Discovery

• arxiv url: http://arxiv.org/abs/2606.22375v1
• Date: Sun, 21 Jun 2026 07:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:55:45.222057
• Title: ARIA: A Causal-Aware Framework for Rescuing LLM Reasoning in Trustworthy Materials Discovery
• Title（参考訳）: ARIA: 信頼できる材料発見におけるLLM推論の救済のための因果認識フレームワーク
• Authors: Yi Cao, Liaoyaqi Wang, Jieneng Chen, Benjamin Van Durme, Alan Yuille, Paulette Clancy,
• Abstract要約: 我々は,機械的完全性に基づいて知識使用を条件付ける因果認識フレームワークであるARIAを紹介する。 ARIAは監査可能な因果トレースを生成し、物理的に座屈し、信頼できるAI支援材料発見を可能にする。
• 参考スコア（独自算出の注目度）: 47.41577239591515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have revolutionized the process of materials discovery, yet they often fail to satisfy underlying physical causality. Through an analysis of Large Language Models (LLMs) augmented with knowledge graphs derived from current literature, we uncover a phenomenon termed contextual tunneling, where models "over-anchor" on narrow, retrieved evidence while suppressing global physical reasoning. To address this problem, we introduce ARIA, a causal-aware framework that conditions knowledge use on mechanistic completeness. ARIA routes each query through a three-tier cascade: (i) direct causal reasoning when complete evidence chains of Process-Structure-Property (PSP) are available, (ii) physics-informed analogical transfer for sparse or novel material systems, and (iii) explicit parametric fallback when external evidence is incomplete. As a proof of concept, we construct a Knowledge Graph (KG) containing 2,839 extracted PSP relations from peer-reviewed articles in the materials literature and evaluate ARIA on forward prediction and inverse design tasks for two-dimensional (2D) materials. ARIA mitigates contextual tunneling, improves over unaugmented and naive KG-augmented baselines, and provides further gains when an online literature search is used for evidence enrichment. Crucially, ARIA produces auditable causal traces, enabling physically grounded and trustworthy AI-assisted materials discovery.
• Abstract（参考訳）: 生成モデルは材料発見のプロセスに革命をもたらしたが、基礎となる物理的因果性を満たすことができないことが多い。 現在の文献から得られた知識グラフを付加したLarge Language Models (LLMs)の分析を通じて、我々は、グローバルな物理的推論を抑えながら、狭義の証拠を「オーバーアンコール」する「文脈トンネル法」と呼ばれる現象を明らかにする。 この問題に対処するために,機械的完全性に基づいて知識使用を条件付ける因果認識フレームワークであるARIAを紹介する。 ARIAは、各クエリを3階層のカスケードにルーティングします。 (i)プロセス・ストラクチャー・プロパリティ(PSP)の完全なエビデンス・チェーンが利用可能である場合の直接的な因果推論 二 スパース系又は新規物質系の物理インフォームドアナログ転移、及び 三 外部の証拠が不完全であるときの明示的なパラメトリック・フォールバック 概念実証として,2,839件の資料から抽出した2,839件のPSP関係を含む知識グラフ(KG)を構築し,2次元(2次元)材料の前方予測および逆設計タスクにおけるARIAの評価を行った。 ARIAは文脈トンネルを緩和し、拡張されていないKG拡張ベースラインを改良し、オンライン文献検索が証拠の充実に使用されるとさらなる利益をもたらす。 重要なことは、ARIAは監査可能な因果関係のトレースを生成し、物理的に根拠があり、信頼できるAI支援材料発見を可能にする。

関連論文リスト

• Retrieval Augmented Generation of Literature-derived Polymer Knowledge: The Example of a Biodegradable Polymer Expert System [4.222675210976564]
  高分子文学は、大きくて成長する実験的な知識を含んでいる。 その多くは、構造化されていないテキストと一貫性のない用語に埋もれている。 既存のツールは通常、狭く、研究固有の事実を分離して抽出する。
  論文  参考訳（メタデータ） (2026-02-18T17:46:09Z)
• GRACE: Reinforcement Learning for Grounded Response and Abstention under Contextual Evidence [9.80421132842862]
  Retrieval-Augmented Generation (RAG)は、外部知識を統合してLarge Language Models (LLM)を強化する RAGは、明確な根拠のない正しい答えを提供することと、検索された文脈が不十分な場合に製造された応答を生成するという2つの重大な欠陥に感受性がある。 本稿では,両方の欠陥を同時に軽減する強化学習フレームワークGRACEを提案する。
  論文  参考訳（メタデータ） (2026-01-08T02:47:33Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
  証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。 我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:54Z)
• Causal-Counterfactual RAG: The Integration of Causal-Counterfactual Reasoning into RAG [2.3490649790592935]
  大規模言語モデル(LLM)は自然言語処理(NLP)を変換し、大規模な事前学習知識を統合することで多様な応用を可能にしている。 Retrieval-Augmented Generation (RAG)は、検索機構と生成モデルを組み合わせて文脈理解を改善することでこの問題に対処する。 本稿では,因果関係を表す明示的な因果グラフを検索プロセスに統合し,因果構造に基づく反因果推論を取り入れた新しいフレームワークであるCausal-Counterfactual RAGを提案する。
  論文  参考訳（メタデータ） (2025-09-17T21:18:47Z)
• Prompting Large Language Models with Partial Knowledge for Answering Questions with Unseen Entities [43.88784275673178]
  Retrieval-Augmented Generation (RAG) は、Large Language Models (LLMs) におけるパラメトリック知識の補足と置換によって優れた性能を示す 我々は,金の推論経路とその変種が,その答えを含む経路を除去することにより,部分的に関連する知識を構築するためにどのように使用されるかを示す。 我々の覚醒に基づくアプローチは、組み込みベースの類似性に依存する従来の手法よりも優れた実用的効果を示す。
  論文  参考訳（メタデータ） (2025-08-02T09:54:46Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Harnessing Large Language Models for Knowledge Graph Question Answering via Adaptive Multi-Aspect Retrieval-Augmentation [81.18701211912779]
  本稿では,KG(Amar)フレームワーク上での適応型マルチアスペクト検索手法を提案する。 この方法は、エンティティ、リレーション、サブグラフを含む知識を検索し、検索した各テキストを即時埋め込みに変換する。 提案手法は2つの共通データセットに対して最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-12-24T16:38:04Z)

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。