論文の概要: When Literature Data Mislead Artificial Intelligence in Materials Discovery

• arxiv url: http://arxiv.org/abs/2609.01621v1
• Date: Sat, 18 Jul 2026 01:06:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.441455
• Title: When Literature Data Mislead Artificial Intelligence in Materials Discovery
• Title（参考訳）: 文献データが物質発見における人工知能の誤解を招いた時
• Abstract要約: 固体電解質(SE)伝導率データを用いた文献由来のデータセットを材料科学のケースとして分析する。 繰り返しテキストフィギュアのミスマッチ、曖昧な軸アノテーション、不整合、測定コンテキストの欠如を識別する。 我々の分析は、人工知能による発見のためのインフラ要件として、データの正確性を再設計する。
• 参考スコア（独自算出の注目度）: 9.099563206941182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) increasingly treats scientific literature as a data source for building databases, training predictive models, and guiding discovery. Yet literature-derived datasets often assume that reported experimental values are internally consistent and directly reusable. Here, we analyze this assumption using solid electrolyte (SE) conductivity data as a representative materials-science case. By tracing values from source articles to curated datasets, we identify recurrent text-figure mismatches, ambiguous axis annotations, unit inconsistencies, and missing measurement context. These discrepancies are often numerically plausible and therefore difficult to detect through routine preprocessing, but they can propagate as structured label noise during database construction and machine-learning reuse. A cross-database example shows how ambiguous reporting can create a 100-fold conductivity error. Our analysis reframes data accuracy as an infrastructure requirement for artificial-intelligence-driven discovery and motivates traceable reporting, curation, and validation practices for reusable scientific data. Keywords: AI for science; Data reliability; Scientific databases; Structured label noise; Literature-derived data; Materials informatics; Solid electrolytes
• Abstract（参考訳）: 人工知能(AI)は、データベースの構築、予測モデルをトレーニングし、発見を導くためのデータソースとして、科学文献をますます扱うようになっている。 しかし、文献由来のデータセットは、報告された実験値が内部的に一貫性があり、直接的に再利用可能であると仮定することが多い。 本稿では, 固体電解質 (SE) 導電率データを材料科学の代表的な事例として用いて, この仮定を解析する。 ソース記事からキュレートされたデータセットへの値をトレースすることにより、繰り返し発生するテキストフィギュアのミスマッチ、曖昧な軸アノテーション、ユニットの不整合、計測コンテキストの欠如を識別する。 これらの不一致はしばしば数値的に検証可能であり、定期的な前処理によって検出することは困難であるが、データベースの構築や機械学習の再利用において構造化ラベルノイズとして伝播することができる。 データベース横断の例は、曖昧なレポートが100倍の伝導率エラーを発生させる方法を示している。 我々の分析は、人工知能駆動による発見のためのインフラ要件としてデータの精度を再設計し、再利用可能な科学的データに対するトレース可能なレポート、キュレーション、検証のプラクティスを動機付けます。 キーワード:科学のためのAI、データの信頼性、科学データベース、構造化ラベルノイズ、文学由来のデータ、材料情報学、固体電解質

関連論文リスト

• LitCurate: A Configuration-Driven AI-Assisted Framework for Scientific Database Construction with an Application to Lower-Mantle Equation-of-State Data [0.13192560874022083]
  文献から科学データベースを構築するためのオープンソースのフレームワークであるLitCurateを紹介します。 我々はLitCurateを用いて、実験および理論的研究から、低マントルおよび低マントル関連高圧鉱物相の方程式データベースを構築する。
  論文  参考訳（メタデータ） (2026-08-27T19:11:26Z)
• CausalDS: Benchmarking Causal Reasoning in Data-Science Agents [21.447650293970458]
  CausalDSはエージェントデータサイエンスにおける因果推論を評価するためのベンチマークである。 実世界のデータセットから得られた経験的分布にベンチマークの構成を基礎づける。 このベンチマークは、象徴的な因果推論、データサイエンス、不確実性、棄権、ツールの使用/コーディングを共同で評価する。
  論文  参考訳（メタデータ） (2026-07-09T04:03:26Z)
• From Entropy to Epiplexity: Rethinking Information for Computationally Bounded Intelligence [91.54446789584826]
  エピプレキシティ(英: Epiplexity)とは、計算的に境界付けられた観測者がデータから学べるものを捉える情報の形式化である。 計算によってどのように情報を生成するか、データの順序にどのように依存するか、そしてモデリングがデータ生成プロセス自体よりも複雑なプログラムを生成する可能性を示す。
  論文  参考訳（メタデータ） (2026-01-06T18:04:03Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Towards an automated workflow in materials science for combining multi-modal simulative and experimental information using data mining and large language models [0.0]
  この原稿には、科学文献から機械可読データベースにエンコードされた情報を公開する自動化ワークフローが紹介されている。 最終的に、Retrieval-Augmented Generation (RAG)ベースのLarge Language Model (LLM)は、高速で効率的な質問応答チャットボットを可能にする。
  論文  参考訳（メタデータ） (2025-02-18T16:24:46Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• Synthetic Data in Healthcare [10.555189948915492]
  本稿では,データ作成のための物理・統計シミュレーションの事例と医療・医療への応用について述べる。 人工物は、プライバシ、エクイティ、安全性、継続的な、因果学習を促進することができるが、欠陥や盲点を導入し、バイアスを伝播または誇張するリスクも負う。
  論文  参考訳（メタデータ） (2023-04-06T17:23:39Z)
• Generating artificial digital image correlation data using physics-guided adversarial networks [2.07180164747172]
  デジタル画像相関 (DIC) は, き裂標本の機械的実験を監視し評価するための貴重なツールとなっている。 実補間DIC変位に類似したクラック試験片の大量の人工変位データを直接生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T12:52:40Z)
• Generating Realistic Synthetic Relational Data through Graph Variational Autoencoders [47.89542334125886]
  変動型オートエンコーダフレームワークとグラフニューラルネットワークを組み合わせることで,リアルな合成関係データベースを生成する。 結果は、実際のデータベースの構造が結果の合成データセットに正確に保存されていることを示している。
  論文  参考訳（メタデータ） (2022-11-30T10:40:44Z)
• Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
  複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。 人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
  論文  参考訳（メタデータ） (2021-04-17T21:34:10Z)

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。