論文の概要: An Autonomous Scientific Knowledge Generation Framework for AI-Driven Scientific Discovery
- arxiv url: http://arxiv.org/abs/2607.09806v1
- Date: Thu, 09 Jul 2026 19:40:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.201835
- Title: An Autonomous Scientific Knowledge Generation Framework for AI-Driven Scientific Discovery
- Title（参考訳）: AI駆動型科学発見のための自律的科学的知識生成フレームワーク
- Abstract要約: 我々は、科学出版物を統一AI対応科学知識基盤に変換する自律的科学知識生成フレームワークを提案する。
このフレームワークは、文献の取得、ハイブリッドな科学知識抽出、意味調和、知識融合、検証を統合されたワークフローに統合する。
概念実証として、この枠組みは電気光学材料に適用された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) is transforming scientific discovery, but its effectiveness is fundamentally limited by the availability of structured scientific knowledge. Although existing databases have accelerated data-driven materials research, much of the knowledge needed for predictive modeling and inverse design remains embedded in unstructured scientific literature. We present an Autonomous Scientific Knowledge Generation Framework that transforms scientific publications into a Unified AI-Ready Scientific Knowledge Base. The framework integrates ontology-guided literature acquisition, hybrid scientific knowledge extraction, semantic harmonization, knowledge fusion, and validation within a unified workflow. Rather than treating literature retrieval, information extraction, and database construction as separate tasks, the framework progressively converts scientific publications into structured, semantically consistent, and provenance-preserving knowledge suitable for AI-driven reasoning. As a proof of concept, the framework was applied to electro-optic materials. Autonomous literature acquisition retrieved and validated about 1,000 publications from multiple scholarly repositories. A representative subset of eight publications was processed through the complete workflow, generating 29 structured scientific records that were harmonized into 7 canonical scientific records. The results demonstrate the complete transformation from scientific literature to an AI-ready scientific knowledge base while preserving quantitative measurements, operating conditions, provenance, and scientific context. The proposed framework provides a scalable, domain-independent foundation for predictive AI, generative AI, and closed-loop AI-driven scientific discovery.
- Abstract（参考訳）: 人工知能(AI)は科学的発見を変えつつあるが、その有効性は構造化された科学知識の利用可能性によって根本的に制限されている。
既存のデータベースは、データ駆動材料の研究を加速してきたが、予測モデリングや逆設計に必要な知識の多くは、構造化されていない科学文献に埋もれている。
我々は、科学出版物を統一AI対応科学知識基盤に変換する自律的科学知識生成フレームワークを提案する。
このフレームワークは、オントロジーに基づく文学の獲得、ハイブリッド科学知識抽出、意味調和、知識融合、検証を統合ワークフロー内で統合する。
文献検索、情報抽出、データベース構築を独立したタスクとして扱うのではなく、このフレームワークは、科学出版物を、AI駆動推論に適した構造化された、意味的に整合性があり、実証された知識に段階的に変換する。
概念実証として、この枠組みは電気光学材料に適用された。
自治文学の取得は、複数の学術リポジトリから約1,000の出版物を取得し、検証した。
8つの出版物の代表的サブセットが完全なワークフローを通じて処理され、29の構造化された科学記録が7つの標準科学記録に調和された。
結果は、定量的測定、操作条件、証明、科学的文脈を保存しながら、科学文献からAI対応の科学知識ベースへの完全な変換を実証した。
提案されたフレームワークは、予測AI、生成AI、クローズループAI駆動科学発見のためのスケーラブルでドメインに依存しない基盤を提供する。
関連論文リスト
- Can LLMs Discover Scientific Laws in Real and Parallel Worlds? [58.76147897928744]
SCILAWS-BENCHは、公表された研究と実際の科学データから構築された科学法発見のためのベンチマークである。
381の科学論文から118の問題を抽出し、291の法則と6つの科学分野にわたる800万の実際のデータポイントをカバーしている。
予測適合性は、科学的妥当性から分岐し、モデルが公表された公式を再現するか、移動するかを記憶する形に変化し、我々のベスト・オブ・N研究は選択ボトルネックを明らかにした。
論文 参考訳（メタデータ） (2026-09-01T17:17:59Z) - Towards a Medical AI Scientist [73.6056699962416]
私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。
このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。
本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
論文 参考訳（メタデータ） (2026-03-30T15:37:25Z) - OmniScientist: Toward a Co-evolving Ecosystem of Human and AI Scientists [47.41269933143946]
我々は、人間の研究の基盤となるメカニズムをAI科学ワークフローにエンコードするフレームワークであるOmniScientistを紹介します。
OmniScientistは、データ基盤全体にわたるエンドツーエンドの自動化、文献レビュー、研究のアイデア、実験の自動化、科学的執筆、ピアレビューを実現している。
このインフラは、エージェントが人間の知識システムを理解し、活用するだけでなく、協力し、共同開発することを可能にする。
論文 参考訳（メタデータ） (2025-11-21T03:55:19Z) - Advancing Scientific Knowledge Retrieval and Reuse with a Novel Digital Library for Machine-Readable Knowledge [4.450387519903374]
ORKG rebornは、科学的知識の正確な、きめ細かい、再現可能な機械可読表現の発見、アクセス、再利用をサポートする、新興デジタルライブラリである。
提案システムについて述べるとともに,現状のデジタルライブラリや文書中心の学術コミュニケーションとは対照的に,その実用性と情報検索の可能性を示す。
論文 参考訳（メタデータ） (2025-11-11T17:20:02Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z) - Virtuous Machines: Towards Artificial General Science [0.0]
ドメインに依存しないエージェント型AIシステムが、科学的なワークフローを独立してナビゲートできることを示します。
このシステムは視覚的作業記憶、精神的な回転、イメージの鮮明さに関する3つの心理学的研究を自律的に設計し実行した。
論文 参考訳（メタデータ） (2025-08-19T00:35:56Z) - Bayesian Epistemology with Weighted Authority: A Formal Architecture for Truth-Promoting Autonomous Scientific Reasoning [0.0]
本稿では,ベイジアン・エピステロジーとウェイト・オーソリティ(BEWA)を紹介する。
BEWAは、構造化された科学的主張に対する動的で確率論的に一貫性のある関数としての信念を運用している。
グラフベースのクレーム伝搬、権威的信頼性モデリング、暗号化アンカー、ゼロ知識監査検証をサポートする。
論文 参考訳（メタデータ） (2025-06-19T04:22:35Z) - Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。
AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。
これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
論文 参考訳（メタデータ） (2025-03-28T14:00:27Z) - KnowledgeShovel: An AI-in-the-Loop Document Annotation System for
Scientific Knowledge Base Construction [46.56643271476249]
KnowledgeShovelは、研究者が科学的知識基盤を構築するための、Al-in-the-Loop文書アノテーションシステムである。
KnowledgeShovelの設計では、多段階のマルチモーダルAIコラボレーションパイプラインを導入し、データの正確性を向上し、人的負担を軽減する。
7つの地学研究者によるフォローアップユーザ評価では、知識ショベルは、十分な精度で科学的知識ベースを効率的に構築できることを示している。
論文 参考訳（メタデータ） (2022-10-06T11:38:18Z)
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。