論文の概要: Visualizing Graph-to-Answer Mechanism Recovery in Materials-Science Hypothesis Generation

• arxiv url: http://arxiv.org/abs/2608.04170v1
• Date: Tue, 04 Aug 2026 19:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.602304
• Title: Visualizing Graph-to-Answer Mechanism Recovery in Materials-Science Hypothesis Generation
• Title（参考訳）: 物質科学仮説生成におけるグラフ・ツー・アンサー機構の回復の可視化
• Abstract要約: グラフ-PRefLexOR-8Bは,脳ストーミング,グラフ構築,パターン抽出,合成の異なる段階に適応するQwen3-8Bモデルである。 我々は,セマンティック・バックトラック,グラフの破損,アクティベーションに基づくリカバリ計測,レイヤ・バイ・トケン・エリア・グリッドを視覚的診断ワークフローに整理し,この経路を検査する。
• 参考スコア（独自算出の注目度）: 4.51349722139082
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI co-scientists can generate fluent materials-science hypotheses, but fluency does not show that an answer preserves a scientifically meaningful mechanism. We present a graph-to-answer mechanism-tracing case study for Graph-PRefLexOR-8B, a Qwen3-8B model adapted to expose distinct stages for brainstorming, graph construction, pattern extraction, and synthesis. We organize semantic backtracking, graph corruption, activation-based recovery measurements, and layer-by-token-region grids into a visual diagnostic workflow for inspecting this pathway. Across 100 open-ended materials-science questions, final answers remain closest to the model's own structured stages, especially synthesis. Under graph corruption, a full sweep over 37 residual-stream checkpoints, the embedding output and 36 transformer blocks, shows little mechanism recovery in the earlier transition region at layers 7--10, recovery instead concentrates in late synthesis and answer-start regions around layers 30 and 36. The workflow is intended to help scientists and model developers identify where a generated hypothesis loses or regains mechanism support before it is passed to downstream experimental planning.
• Abstract（参考訳）: AIの共同科学者は、流動的な物質科学仮説を生成できるが、偏見は、答えが科学的に意味のあるメカニズムを保存することを示さない。 グラフ-PRefLexOR-8Bは,脳ストーミング,グラフ構築,パターン抽出,合成の異なる段階に適応するQwen3-8Bモデルである。 我々は,セマンティック・バックトラック,グラフの破損,アクティベーションに基づくリカバリ計測,レイヤ・バイ・トケン・エリア・グリッドを視覚的診断ワークフローに編成し,この経路を検査する。 開かれた材料科学の質問100件中、最終的な答えはモデル自身の構造化段階、特に合成段階に最も近いままである。 グラフの破損下では,37以上の残ストリームチェックポイント,埋め込み出力,36の変圧器ブロックが7〜10層で初期遷移領域の機構回復をほとんど示さず,代わりに30～36層周辺の遅延合成と解答開始領域に集中する。 このワークフローは、研究者やモデル開発者が、生成された仮説が、下流の実験計画に渡す前に、メカニズムのサポートを失うか、あるいは回復する場所を特定するのに役立つことを意図している。

関連論文リスト

• Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination [4.811614746460565]
  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。
  論文  参考訳（メタデータ） (2026-07-01T13:26:10Z)
• Externalizing Research Synthesis and Validation in AI Scientists through a Research Harness [22.631467433443362]
  Xcientistは、研究合成と実験的検証を検査可能な契約統治プロセスに外部化する研究ハーネスである。 Xcientistの文献は、証拠、アイデアステート、実装計画、アブレーション記録、修復痕跡を永続的な研究成果として整理している。
  論文  参考訳（メタデータ） (2026-06-17T09:52:14Z)
• Representation of Inorganic Synthesis Reactions and Prediction: Graphical Framework and Datasets [3.1925030748447742]
  ActionGraphは、無機合成反応の合成操作の観点から、化学構造と手続き構造の両方を符号化する。 そこで,PCA-reduced ActionGraph の隣接行列を$k$-nearest 隣人検索モデルに組み込むことで,合成経路の予測が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-12-02T17:19:05Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。