論文の概要: Hypothesis-Driven Autonomous Materials Synthesis with Multimodal LLM Agents

• arxiv url: http://arxiv.org/abs/2609.18598v1
• Date: Wed, 16 Sep 2026 12:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.810189
• Title: Hypothesis-Driven Autonomous Materials Synthesis with Multimodal LLM Agents
• Title（参考訳）: マルチモーダルLDM剤を用いた仮説駆動型自律材料合成
• Abstract要約: 自動運転車研究所は自動で合成を探索できるが、その意思決定層は通常ブラックボックス状態である。 本稿では,大規模言語モデルエージェントが自動実験システムを操作するフレームワークであるSynAgentを紹介する。 テストベッドとしてLiCoO2薄膜蒸着を用いた18の実験において、SynAgentは高結晶膜を合成した。
• 参考スコア（独自算出の注目度）: 0.2931680194227129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-driving laboratories can explore synthesis conditions autonomously, but their decision-making layer is typically a black-box optimizer, and the output is a set of optimized samples, with the measurements reduced to predefined scalar objectives and the reasons behind success left unarticulated. Here we present SynAgent, a framework in which large language model agents operate an automated experimental system and maintain an explicit, revisable understanding of the synthesis process as the campaign's primary output. Starting with no predefined analysis pipeline, SynAgent adaptively generates analysis skills for newly acquired data and evolves this understanding through multimodal reasoning over experimental data such as X-ray diffraction patterns and electron micrographs. The evolution is guided by a verify-falsify scheme, in which the agent deliberately challenges its own hypotheses by testing conditions predicted to fail as well as those predicted to succeed. In a single campaign of 18 autonomous experiments using LiCoO2 (001) thin-film deposition as a testbed, SynAgent synthesized highly crystalline films and evolved an understanding of how the substrate temperature governs crystallization, discovering an abrupt threshold and a narrow optimal growth window at 650-690 °C. These results extend autonomous experimentation beyond optimized samples to testable, human-readable understanding.
• Abstract（参考訳）: 自動運転車研究所は自動で合成条件を探索できるが、その意思決定層は一般にブラックボックスオプティマイザであり、出力は最適化されたサンプルのセットであり、測定は事前に定義されたスカラーの目的に還元され、成功の背景にある理由は未解決のままである。 本稿では,大規模言語モデルエージェントが自動実験システムを動作させ,そのプロセスの明示的で変更可能な理解をキャンペーンの一次出力として維持するフレームワークであるSynAgentについて述べる。 事前に定義された分析パイプラインを使わずに、SynAgentは新たに取得したデータの分析スキルを適応的に生成し、X線回折パターンや電子マイクログラフなどの実験データによるマルチモーダル推論を通じてこの理解を進化させる。 この進化はバリデーション・ファルシフィケーション・スキームによって導かれ、エージェントは失敗と予測される条件と成功を予測される条件によって、意図的に自身の仮説に挑戦する。 テストベッドとしてLiCoO2(001)薄膜蒸着を用いた18個の自律実験において、SynAgentは高結晶膜を合成し、基板温度が結晶化をどのように支配するかを理解し、急激な閾値と650-690 °Cの狭い最適な成長窓を発見した。 これらの結果は、最適化されたサンプル以外の自律的な実験を、テスト可能な人間可読な理解にまで拡張する。

関連論文リスト

• Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
  タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。 我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。 我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:01Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• LLM-Guided Open Hypothesis Learning from Autonomous Scanning Probe Microscopy Experiments [3.783505208172849]
  シンボル回帰と大規模言語モデルに基づく物理評価を組み合わせたオープンな仮説学習フレームワークを提案する。 本稿では,PZT薄膜における強誘電体ドメインスイッチングの自律型圧電力顕微鏡による計測について述べる。
  論文  参考訳（メタデータ） (2026-05-07T18:44:46Z)
• Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles [0.0]
  銅ナノ粒子(Cu NPs)は広い適用性を持つが、その合成は反応パラメータの微妙な変化に敏感である。 本研究は, マイクロ波支援ポリオール合成によるCu NPのサイズを予測するための機械学習について, 室内で行った25種類の小さなデータ集合を用いて検討した。
  論文  参考訳（メタデータ） (2025-12-18T13:53:08Z)
• A Scientific Reasoning Model for Organic Synthesis Procedure Generation [12.609346156252393]
  本稿では、精密な構造化実験手順を生成できる科学的推論言語モデルQFANGを提案する。 本稿では,大規模に化学知識を基盤としたチェーン・オブ・シントデータを生成する,化学誘導推論(CGR)フレームワークを提案する。 RLVR(Reinforcement Learning from Verifiable Rewards)を応用して、手続き精度をさらに向上する。
  論文  参考訳（メタデータ） (2025-12-15T18:55:39Z)
• AutoLabs: Cognitive Multi-Agent Systems with Self-Correction for Autonomous Chemical Experimentation [0.10999592665107412]
  AutoLabsは、自然言語命令を自動で実行可能なプロトコルに変換するように設計された、自己修正型マルチエージェントアーキテクチャである。 複雑化に関する5つのベンチマーク実験を特徴とする総合評価フレームワークを提案する。 以上の結果から,エージェント推論能力が成功の最も重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-30T01:51:46Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)

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。