論文の概要: Physics as the label for measuring and correcting materials reasoning in multimodal models
- arxiv url: http://arxiv.org/abs/2609.12181v1
- Date: Thu, 10 Sep 2026 20:16:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.538283
- Title: Physics as the label for measuring and correcting materials reasoning in multimodal models
- Title（参考訳）: マルチモーダルモデルにおける材料推定・補正のラベルとしての物理
- Abstract要約: ヴィジュアル・ゴーラウンドと言語モデルは、資料データをますます解釈するが、ベンチマークでは、不正な性質を幻覚し、物理的法則に違反していると報告している。
マトPCRは,ブラッグの法則,スケールバー,スペクトルピーク,およびマテリアルプロジェクトによる準言語安定性,計算バンドギャップクラス,ネット磁化による回折幾何をチェックする,ラベルのないベンチマークである。
- 参考スコア（独自算出の注目度）: 0.764671395172401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language and language models increasingly interpret materials data, yet benchmarks report that they hallucinate invalid properties and violate physical law. Evaluation matches final answers to scarce human labels, while discovery agents verify final proposals or density functional theory (DFT) execution. Neither measures the physical consistency of a model's reasoning chain. Materials data carries its own physics, making a large class of materials reasoning verifiable without annotation. We introduce MatPCR, a label-free benchmark whose programmatic oracles check diffraction geometry through Bragg's law, scale bars, spectral peaks, and Materials Project-grounded checks of near-hull stability, computed band-gap class, and net magnetization. We define the Physical-Consistency Rate over image and structure inputs; introduce Constraint-Grounded Self-Verification, an agentic loop whose gain survives self-refinement and equal-compute re-prompting controls; release an open verifier useful in distribution but near chance on all six held-out constraint types; and derive an exact identity for how oracle error displaces the reported rate.
- Abstract（参考訳）: 視覚言語や言語モデルは、資料データをますます解釈するが、ベンチマークでは、不正な性質を幻覚し、物理法則に違反していると報告している。
評価は人間のラベルの少ない最終回答と一致し、発見エージェントは最終提案や密度汎関数理論(DFT)の実行を検証する。
どちらもモデルの推論チェーンの物理的一貫性を測るものではない。
材料データは独自の物理学を持ち、注釈なしで検証可能な大量の材料を推論する。
マトPCRは,ブラッグの法則,スケールバー,スペクトルピーク,およびマテリアルプロジェクトによる準安定度,計算バンドギャップクラス,ネット磁化による回折幾何をチェックする,ラベルのないベンチマークである。
画像と構造入力の物理一貫性率を定義し,自己制限と等価な再プロンプト制御を継続するエージェントループであるConstraint-Grounded Self-Verificationを導入する。
関連論文リスト
- Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。
スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
論文 参考訳（メタデータ） (2026-08-10T19:42:01Z) - Eigenius: A Typed Knowledge-Graph DBMS with Epistemic Stratification and Institution-Mediated Reasoning [0.0]
Eigeniusは、単一の前提に基づいて構築された知識グラフである。
これは、データ証明をサブシステムの境界を越えて再構成された特性ではなく、構造的不変量に変換する。
論文 参考訳（メタデータ） (2026-08-05T05:28:22Z) - Physics-Audited Agentic Discovery in Scientific Machine Learning [1.4632791454491378]
Physics-Audited Agentic SciML (PA-SciML)は、エージェントSciML発見のための検証ファーストワークフローである。
PA-SciMLは、検索の前に評価器を固定し、レビュー可能な機械チェック可能な物理条件を導出し、所定の入力範囲や測定された負荷履歴の範囲を探索する。
有効にすると、ワークフローはトレーニング前にアドバイザリーな数値プローブを追加して、一度に1つのモデリング変更を一度に記録し、どの独立した編集が再利用前にスコアゲインと関連付けられているかを記録する。
論文 参考訳（メタデータ） (2026-07-08T13:10:35Z) - CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data [0.0]
構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供する。
CANNは、これまで、均質なテストから明らかなストレス-ストレインデータに基づいて、ストレス誘発設定に使われてきた。
ここでは, 応力非教師付きフルフィールド発見フレームワークであるEUCLIDとCANNを組み合わせて, スパース超弾性法則を同定する。
論文 参考訳（メタデータ） (2026-06-12T15:44:06Z) - Input-schema identifiability limits in physics-informed surrogates for mechanics-governed flow [0.0]
本稿では,計算サロゲートに対する入力スキーマ識別性証明を提案する。
Cosserat-rodリダクションを用いた非圧縮性管状流れのキャラクタリゼーションを行う。
その結果、サロゲートモデリングタスクが物理的に識別可能であるか否かを判定するためのメカニックベースの診断を提供する。
論文 参考訳（メタデータ） (2026-06-08T23:22:18Z) - Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence [1.1458853556386797]
我々は材料科学のためのエージェント発見のカテゴリー論的記述を開発する。
CategoryScienceClawでは、型付きスキル、アーティファクト、オープンニーズ、ワークフロー突然変異、ゲート、ストレステスト、そして公開談話が、証明付き知識計算グラフとなる。
論文 参考訳（メタデータ） (2026-05-31T20:29:43Z) - Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。
これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。
既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
論文 参考訳（メタデータ） (2026-05-09T14:32:36Z) - FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。
属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。
PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
論文 参考訳（メタデータ） (2026-05-05T02:31:18Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - Factual Self-Awareness in Language Models: Representation, Robustness, and Scaling [56.26834106704781]
大規模言語モデル(LLM)のユビキタス展開における主要な関心事の一つは、生成されたコンテンツの事実的誤りである。
我々は, LLMの内部コンパスの存在を裏付ける証拠を提供し, 生成時の事実的リコールの正しさを規定する。
モデルサイズにわたる実験のスケールとトレーニングのダイナミクスは、トレーニング中に自己認識が急速に出現し、中間層でピークとなることを浮き彫りにしている。
論文 参考訳（メタデータ） (2025-05-27T16:24:02Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2023-05-28T06:30:29Z) - AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。
アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。
我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文 参考訳（メタデータ） (2021-04-01T17:40:08Z)
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。