論文の概要: Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination

• arxiv url: http://arxiv.org/abs/2607.00924v1
• Date: Wed, 01 Jul 2026 13:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.901261
• Title: Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination
• Title（参考訳）: グラフNative Reinforcement Learningは概念再結合によるトレース可能な科学的仮説生成を可能にする
• Authors: Subhadeep Pal, Shashwat Sourav, Tirthankar Ghosal, Markus J. Buehler,
• Abstract要約: Graph-PRefLexorは、メカニズム探索、グラフ構築、パターン抽出、仮説合成のための明確なフェーズに推論を整理する。 材料科学とメカニックス文学からの100のオープンエンド質問に対して、Graph-PRefLexorは対応するベースモデルよりも40-65%改善されている。
• 参考スコア（独自算出の注目度）: 4.811614746460565
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accelerating materials discovery requires AI systems that can generate scientifically valid hypotheses through multi-step, domain-grounded reasoning. Standard large language models often produce fluent but weakly traceable responses to open-ended materials design problems, making it difficult to determine whether final answers are supported by coherent intermediate reasoning. We develop Graph-PRefLexOR, a family of graph-native reasoning models fine-tuned with Group Relative Policy Optimization (GRPO) to organize reasoning into explicit phases for mechanism exploration, graph construction, pattern extraction, and hypothesis synthesis. This design links neural language generation with symbolic relational structure, enabling causal connections to be constructed, inspected, and reused. On 100 open-ended questions from materials science and mechanics literature, Graph-PRefLexOR achieves 40-65% improvements over corresponding base models, with the largest gains in reasoning traceability. Embedding analyses show broader semantic exploration and approximately 2-3 times greater semantic diversity than baselines. Semantic backtracking and layer-wise hidden-state analyses further show stronger alignment between structured reasoning and final answers. Finally, test-time graph expansion reveals that additional compute primarily increases long-range conceptual recombination within a bounded semantic space, rather than simply expanding semantic coverage. These results establish graph-native reinforcement learning as a pathway toward interpretable AI systems for scientific hypothesis generation in materials design and other scientific applications.
• Abstract（参考訳）: 材料発見の加速には、多段階のドメイン基底推論を通じて科学的に有効な仮説を生成できるAIシステムが必要である。 標準の大規模言語モデルは、しばしば、オープンエンドの材料設計問題に対して、流動的だが弱いトレーサブルな応答をもたらすため、一貫性のある中間的推論によって最終回答が支持されるかどうかを判断することは困難である。 グループ相対ポリシー最適化(GRPO)により微調整されたグラフネイティブ推論モデルのファミリーであるGraph-PRefLexorを開発し、推論をメカニズム探索、グラフ構築、パターン抽出、仮説合成のための明示的なフェーズに整理する。 この設計は、ニューラルネットワーク生成とシンボリックリレーショナル構造を結びつけ、因果接続の構築、検査、再利用を可能にする。 材料科学とメカニックス文学からの100のオープンエンド質問に対して、Graph-PRefLexorは、対応するベースモデルに対して40-65%の改善を実現している。 埋め込み分析は、より広範な意味探索と、ベースラインよりも約2～3倍の意味多様性を示す。 意味的バックトラックと階層的に隠された状態解析は、構造的推論と最終解のより強い整合性を示す。 最後に、テスト時間グラフの拡張は、単にセマンティックカバレッジを拡張するのではなく、有界なセマンティック空間内での長距離概念的再結合を主に増大させることを明らかにする。 これらの結果は、材料設計やその他の科学応用における科学的仮説生成のための解釈可能なAIシステムへの道として、グラフネイティブ強化学習を確立している。

関連論文リスト

• Topology of Reasoning: Retrieved Cell Complex-Augmented Generation for Textual Graph Question Answering [13.616604189732262]
  Topology-enhanced Retrieval-Augmented Generation (TopoRAG)は、テキストグラフ質問応答のための新しいフレームワークである。 TopoRAGはまずテキストグラフを細胞複合体に上げ、多次元トポロジー構造をモデル化する。 多次元トポロジカル推論機構がこれらの複合体上で動作し、関係情報を伝達する。
  論文  参考訳（メタデータ） (2026-02-22T15:44:53Z)
• Higher-Order Knowledge Representations for Agentic Scientific Reasoning [1.1458853556386797]
  本稿では,多義性関係を忠実にエンコードするハイパーグラフに基づく知識表現を構築する手法を提案する。 バイオコンポジット足場上の1,100の写本のコーパスに適用し、161,172個のノードと320,201個のハイパーエッジからなるグローバルなハイパーグラフを構築した。 さらに,ハイパーグラフツールを用いたエージェントシステム,特にノード間制約を用いて,意味論的に離れた概念をブリッジできることを実証した。
  論文  参考訳（メタデータ） (2026-01-08T12:25:37Z)
• SciNets: Graph-Constrained Multi-Hop Reasoning for Scientific Literature Synthesis [0.0]
  クロスドメインな科学的合成は、断片化された文献を接続する機械的説明を必要とする。 文献由来の概念グラフ上でのグラフ制約付きマルチホップ推論問題としてメカニスティック合成を行う。
  論文  参考訳（メタデータ） (2025-12-28T12:27:42Z)
• Unifying Deductive and Abductive Reasoning in Knowledge Graphs with Masked Diffusion Model [64.31242163019242]
  帰納的推論と帰納的推論は知識グラフを解析するための重要なパラダイムである。 DARKと呼ばれる知識グラフにおける帰納的・帰納的推論のための統一的なフレームワークを提案する。 DARKは, 帰納的推論タスクと帰納的推論タスクの両方において, 最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-13T14:34:57Z)
• Explain Before You Answer: A Survey on Compositional Visual Reasoning [74.27548620675748]
  構成的視覚推論は、マルチモーダルAIにおける重要な研究フロンティアとして登場した。 本調査は,トップ会場(CVPR,ICCV,NeurIPS,ICML,ACLなど)から260以上の論文を体系的にレビューする。 次に60以上のベンチマークとそれに対応するメトリクスを、基底精度、連鎖忠実性、高分解能知覚などの次元に沿って探索する。
  論文  参考訳（メタデータ） (2025-08-24T11:01:51Z)
• A Survey on Latent Reasoning [100.54120559169735]
  大きな言語モデル(LLM)は印象的な推論機能を示している。 中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。 潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
  論文  参考訳（メタデータ） (2025-07-08T17:29:07Z)
• In-situ graph reasoning and knowledge expansion using Graph-PReFLexOR [0.0]
  グラフ推論とシンボリック抽象化を組み合わせてドメイン知識を動的に拡張するフレームワークであるGraph-PReFLexORを提案する。 強化学習に触発されて、推論は構造化されたマッピングとして定義され、タスクが知識グラフ、抽象パターン、そして最終的には最終回答を生み出す。 その結果、より優れた推論深度と適応性を示し、透明で多分野のAI駆動型発見の可能性を示している。
  論文  参考訳（メタデータ） (2025-01-14T13:52:41Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
  本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。 特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。 その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
  論文  参考訳（メタデータ） (2024-05-09T08:28:12Z)

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。