論文の概要: A Task-Centric Ontology and Deterministic Domain Rules as a Verifiable Core for AI-Assisted Chemistry Problem Solving

• arxiv url: http://arxiv.org/abs/2608.26164v1
• Date: Sun, 12 Jul 2026 18:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.373133
• Title: A Task-Centric Ontology and Deterministic Domain Rules as a Verifiable Core for AI-Assisted Chemistry Problem Solving
• Title（参考訳）: AIによる化学問題解決のための検証可能なコアとしてのタスク中心オントロジーと決定論的ドメインルール
• Abstract要約: ChemOntoRuleは、AI支援の学校レベルの化学問題解決のための概念実証のシンボルコアである。 300人の人間が認可し、手動で化学の問題を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can interpret natural-language chemistry questions, but their internal reasoning is difficult to inspect, constrain, and validate. This paper presents ChemOntoRule, a proof-of-concept symbolic core for AI-assisted school-level chemistry problem solving. The central design choice is task-centric ontology engineering: the ontology is constructed around the concepts, properties, relations, and executable procedures required by a defined collection of chemistry problems, rather than as a universal representation of chemistry. The implemented artifact combines a lightweight ontology serialized in JSON and RDF/Turtle with deterministic Python rules for electronic structure, periodic trends, oxidation states, oxide and hydride behavior, and related school-level reasoning patterns. A separate expert-coded fallback handles problem families not yet represented by general rules. The system was examined on 300 human-authored and manually validated chemistry problems. The complete system matched 296 of 300 reference answers (98.67%). The ontology-driven rule subset covered 269 problems and matched 266 references (98.88%); 31 problems were handled by task-specific expert-coded fallbacks, with 30 matches. Because the same collection informed ontology construction and evaluation, these results measure implemented coverage and internal consistency, not independent generalization. We analyze the four mismatches, distinguish structural validation from chemical correctness, and define a future architecture in which a language model acts primarily as a translator from user language into a normalized ontological task frame. Token efficiency is presented as a testable hypothesis for future controlled studies, not as a result of the current work.
• Abstract（参考訳）: 大規模言語モデルは自然言語化学の問題を解釈することができるが、その内部の推論は検査、制約、検証が困難である。 本稿では,AIを用いた学校レベルの化学問題解決のための概念記号コアであるChemOntoRuleを提案する。 オントロジーは化学の普遍的な表現としてではなく、定義された化学問題の集合によって要求される概念、性質、関係、実行可能手順を中心に構築される。 実装されたアーティファクトは、JSONとRDF/Turtleでシリアライズされた軽量オントロジーと、電子構造、周期的傾向、酸化状態、酸化物および水素化物挙動、および関連する学校レベルの推論パターンに関する決定論的Pythonルールを組み合わせる。 専門家がコーディングしたフォールバックは、一般的なルールで表現されていない問題ファミリを処理します。 このシステムは、300人の人間が認可し、手動で化学の問題を検証した。 完全なシステムは300点中296点(98.67%)と一致した。 オントロジー駆動のルールサブセットは269の問題をカバーし、266の参照(98.88%)と一致した。 同じコレクションがオントロジーの構築と評価を通知したため、これらの結果は独立した一般化ではなく、適用範囲と内部の一貫性を計測した。 我々は,4つのミスマッチを分析し,構造的検証と化学的正しさを区別し,言語モデルが主にユーザ言語から正規化された存在論的タスクフレームへの翻訳者として機能する未来のアーキテクチャを定義する。 トークン効率は、現在の研究の結果ではなく、将来の制御された研究のための検証可能な仮説として提示される。

関連論文リスト

• Towards Physics-Faithful Generation of Scientific Diagrams [60.50428624576465]
  プリンシグラム(Princigram)は、物理に忠実な科学的ダイアグラム生成装置である。 物理に忠実な科学的ダイアグラム生成装置であるPrincigramについて紹介する。
  論文  参考訳（メタデータ） (2026-08-13T11:40:33Z)
• Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
  SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-08T17:59:59Z)
• SciIF: Benchmarking Scientific Instruction Following Towards Rigorous Scientific Intelligence [60.202862987441684]
  科学的妥当性を確立する制約に厳格に固執しながら、問題を解決する能力。 具体的には,大学レベルの問題と制約の固定されたカタログをペアにすることで,この能力を評価するマルチディシプリンのベンチマークであるSciIFを紹介する。 SciIFは、解の正当性と多拘束性の両方を測定することにより、構成的推論失敗のきめ細かい診断を可能にする。
  論文  参考訳（メタデータ） (2026-01-08T09:45:58Z)
• RxnBench: A Multimodal Benchmark for Evaluating Large Language Models on Chemical Reaction Understanding from Scientific Literature [25.978951548176706]
  RxnBenchは科学的なPDFから化学反応を理解する上でMLLMを厳格に評価するためのベンチマークである。 RxnBenchは2つのタスクからなる: きめ細かい視覚知覚と機械的推論をテストするシングルフィギュアQA (SF-QA) と、108の記事から情報を合成するためのモデルに挑戦するフルドキュメントQA (FD-QA) である。 MLLMの評価は, 明確なテキストの抽出に優れたモデルではあるものの, 深層化学論理と正確な構造認識に苦慮している。
  論文  参考訳（メタデータ） (2025-12-29T16:05:38Z)
• On measuring grounding and generalizing grounding problems [0.0]
  シンボル接地問題は、猫のトークンが、電卓で操作される単なる形状とは対照的に、猫についてどうあるべきかを問うものである。 そこで我々は,二分判定からデシダラタを横断する監査にグラウンドを再キャストし,評価を指標とした。 この枠組みを4つの接地モード(記号的、参照的、ベクトル的、関係性)と3つのケーススタディに適用する。
  論文  参考訳（メタデータ） (2025-12-05T22:58:47Z)
• QCBench: Evaluating Large Language Models on Domain-Specific Quantitative Chemistry [19.804237919102903]
  QCBenchは7つの化学サブフィールドにわたる350の計算化学問題からなる定量化学指向のベンチマークである。 それぞれの問題は、ショートカットを防止し、明示的な数値推論を要求するように構成されている。 QCBenchは、計算の弱点のきめ細かい診断を可能にし、モデル固有の制限を明らかにし、将来の改善の基盤となる。
  論文  参考訳（メタデータ） (2025-08-03T08:55:42Z)
• Generative Models as a Complex Systems Science: How can we make sense of large language model behavior? [75.79305790453654]
  事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。 言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
  論文  参考訳（メタデータ） (2023-07-31T22:58:41Z)
• 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。