論文の概要: MAIL: Memory-driven, Adaptive, Incremental, and Literature-grounded Framework for Hypothesis Generation in Chemistry
- arxiv url: http://arxiv.org/abs/2608.28315v1
- Date: Fri, 28 Aug 2026 13:25:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.339655
- Title: MAIL: Memory-driven, Adaptive, Incremental, and Literature-grounded Framework for Hypothesis Generation in Chemistry
- Title（参考訳）: MAIL: 化学における仮説生成のためのメモリ駆動型,適応型,漸進型,文学的基盤型フレームワーク
- Abstract要約: 化学における仮説生成のための自動的アプローチ, メモリ拡張, 適応, インクリメンタル, 文学的基盤(MAIL)フレームワークを提案する。
我々のMAIL法は,仮説生成を時間的基礎とメモリ駆動推論のプロセスとして定式化する。
パブリックなTomato-Chemデータセットと,高度自然科学課題データセットを新たにキュレートし,普及させたMAILフレームワークについて検討した。
- 参考スコア（独自算出の注目度）: 1.1369130900735789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ever-expanding volume of the chemical literature offers unprecedented opportunities to generate novel and impactful hypotheses. However, the bottleneck lies in efficiently navigating this vast knowledge base to formulate high-quality, experimentally meaningful insights. While Large Language Models (LLMs) show promise for this task, existing methods often rely on static inspiration corpora, predefined heuristics, or laborious human-in-the-loop pipelines and decision-support frameworks that limit scalability and novelty. In this work, we propose an automated approach, a Memory-augmented, Adaptive, Incremental, and Literature-grounded (MAIL) framework for hypothesis generation in chemistry. Our MAIL method formulates hypothesis generation as a temporally grounded, memory-driven reasoning process, where hypotheses emerge from an evolving conceptual path that continuously accumulates and reinterprets prior knowledge. We evaluated the MAIL framework on a public TOMATO-Chem dataset and a newly curated and disseminated high-novelty nature/science challenge (HN-NS) dataset. Across both datasets, MAIL generates structurally coherent and mechanistically plausible hypotheses, achieves the highest MIOS and MPOS by more effectively recovering the central ideas and methodological elements of the historical target hypotheses, and obtains the highest overall expert-evaluation scores for scientific quality. These results demonstrate the potential of LLMs to autonomously explore chemical domains and generate hypotheses that are both innovative and chemically plausible.
- Abstract（参考訳）: 化学文献の絶え間なく広まる量は、新規で衝撃的な仮説を創出する前例のない機会を与える。
しかし、ボトルネックは、高品質で実験的に意味のある洞察を定式化するために、この膨大な知識基盤を効率的にナビゲートすることにある。
大きな言語モデル(LLM)がこのタスクを約束する一方で、既存のメソッドは静的インスピレーションコーパス、事前定義されたヒューリスティック、あるいは、スケーラビリティとノベルティを制限したヒューマン・イン・ザ・ループ・パイプラインや意思決定支援フレームワークに依存していることが多い。
本研究では,化学における仮説生成のための自動的アプローチ,メモリ拡張,適応,インクリメンタル,文学的基盤(MAIL)フレームワークを提案する。
我々のMAIL法は仮説生成を時間的に基礎づけたメモリ駆動推論プロセスとして定式化し、仮説は進化する概念的経路から現われ、先行知識を継続的に蓄積し再解釈する。
The MAIL framework on a public TOMATO-Chem dataset and a new curated and disseminated High-novelty nature/science Challenge (HN-NS) dataset。
両者のデータセット全体で、MAILは構造的に整合性があり機械論的に妥当な仮説を生成し、歴史的対象仮説の中心的概念と方法論的要素をより効果的に回収し、科学的品質の総合的評価スコアを得ることにより、最高MIOSとMPOSを達成する。
これらの結果は、LLMが化学ドメインを自律的に探索し、革新的かつ化学的に妥当な仮説を生成する可能性を示している。
関連論文リスト
- MHE-Former: Multi-Hypothesis Transformers via Entropy Maximization for 3D Mesh Recovery [80.22216005340283]
マルチハイプセシス学習と選択によるあいまいなメッシュ回復のための探索-探索-探索パラダイムを導入する。
本稿では,複数の予測のための文脈認識プロセスである仮説選択を提案する。
本フレームワークは,複数のデータセットにまたがる精度と多様性の最先端性能を実現する。
論文 参考訳（メタデータ） (2026-09-09T18:39:03Z) - MolQuest: A Benchmark for Agentic Evaluation of Abductive Reasoning in Chemical Structure Elucidation [20.62843594129358]
分子構造解明のための新規なエージェントベース評価フレームワークであるMolQuestを紹介する。
既存のデータセットとは異なり、MolQuestは分子構造解明をマルチターンインタラクティブタスクとして定式化している。
その結果、現代のフロンティアモデルでは、真正の科学的シナリオにおいて重大な制限が示されることが明らかとなった。
論文 参考訳（メタデータ） (2026-03-26T09:57:17Z) - Accelerating Materials Design via LLM-Guided Evolutionary Search [12.872214023537898]
LLM-Guided Evolution for Materials Design (LLEMA) について述べる。
大規模言語モデルに埋め込まれた科学的知識と、化学インフォームド進化規則とメモリベースの洗練とを結びつける。
電子、エネルギー、コーティング、光学、航空宇宙にまたがる14の現実的なタスクを 評価しました
論文 参考訳（メタデータ） (2025-10-26T02:47:15Z) - CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。
しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。
この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
論文 参考訳（メタデータ） (2025-10-15T05:29:56Z) - Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization [4.469102316542763]
本稿では,HypoAgentsと呼ばれるマルチエージェント協調フレームワークを提案する。
多様性のサンプリングを通じて仮説を生成し、事前の信念を確立する。
その後、外部文献の証拠収集にRAG(erieval-augmented generation)を採用している。
情報エントロピー$H = - sum p_ilog p_i$ を用いて高不確かさ仮説を特定し、それらを積極的に洗練する。
論文 参考訳（メタデータ） (2025-08-03T13:05:32Z) - MOOSE-Chem2: Exploring LLM Limits in Fine-Grained Scientific Hypothesis Discovery via Hierarchical Search [102.11776494401705]
大規模言語モデル (LLM) は科学的仮説生成の自動化において有望であることを示している。
既存のアプローチは主に、批判的な方法論や実験的な詳細を欠いた粗粒の仮説を導出する。
我々は、科学的仮説発見の新しいタスクを導入し、正式に定義する。
論文 参考訳（メタデータ） (2025-05-25T16:13:46Z) - Sparks of Science: Hypothesis Generation Using Structured Paper Data [1.250723303641055]
我々は,最上位のコンピュータサイエンスカンファレンスから抽出された約5500の構造化問題と仮説のペアの最初のデータセットであるHypoGenを紹介する。
我々は,Bit-Flip-SparkとChain-of-Reasoningをモデルとして,フレーミング仮説の生成を条件付き言語モデリングとして示す。
得られた仮説の新規性、実現可能性、および全体的な品質を改善するために、私たちのHypoGenデータセットを微調整することで、その妥当性が向上することを示す。
論文 参考訳（メタデータ） (2025-04-17T14:29:18Z) - MOOSE-Chem: Large Language Models for Rediscovering Unseen Chemistry Scientific Hypotheses [95.25947149100533]
大規模言語モデル(LLM)が化学において新規で有効な仮説を自律的に生成できるかどうかは不明である。
我々は、2024年1月以降に発行され、オンライン化された51のハイインパクト化学論文のベンチマークを開発し、それぞれが背景、インスピレーション、仮説を手動で注釈付けした。
LLMは、人間によってまだ認識されていない、潜伏した科学的知識の関連をすでにコード化していると仮定する。
論文 参考訳（メタデータ） (2024-10-09T17:19:58Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。
従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。
パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
論文 参考訳（メタデータ） (2023-09-06T05:19:41Z)
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。