論文の概要: Large Knowledge Model: A Knowledge Foundation for Agentic Science at Scale

• arxiv url: http://arxiv.org/abs/2609.27297v2
• Date: Wed, 30 Sep 2026 03:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:25.472767
• Title: Large Knowledge Model: A Knowledge Foundation for Agentic Science at Scale
• Title（参考訳）: 大規模知識モデル:大規模エージェント科学のための知識基盤
• Abstract要約: エージェント科学は、科学知識の共有体を構築しながら、多くの自律的なエージェントが同時に調査することを想定している。 本稿では,学術知識の汎用表現を提供するLKM(Large Knowledge Model)を提案する。 LKMは、科学文献を推論グラフに分類し、コアノードとしての主張と、前提と証拠が結論をどのように支持するかを明確にする関連する推論連鎖を定めている。 我々は,根拠連鎖や情報源とともに主張を検索し,科学的結論に基づく証拠を調査・再利用するエージェントネイティブな科学的検索システムを開発した。
• 参考スコア（独自算出の注目度）: 27.475812890416154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic science envisions many autonomous agents investigating concurrently while building on a shared, evolving body of scientific knowledge. This requires a knowledge foundation that supports high-concurrency access, preserves traceable and reusable reasoning, and grows incrementally. We propose the Large Knowledge Model (LKM), a growing, agent-native knowledge foundation that provides a general representation of scientific knowledge across disciplines. LKM organizes the scientific literature into reasoning graphs, with claims as the core nodes and associated reasoning chains that make explicit how premises and evidence support conclusions. These source-grounded objects are persistent and addressable; cross-paper links organize them into aligned question, workflow, and evidence views. Newly extracted papers extend the foundation incrementally while preserving existing object identities. Building on this foundation, we develop an agent-native, reasoning-aware scientific retrieval system that retrieves claims together with their reasoning chains and sources, enabling agents to inspect and reuse the evidence underlying scientific conclusions. Across benchmarks, agents using LKM retrieve more evidence, cite more faithfully, and answer scientific questions more accurately: LKM nearly doubles the known supporting and contradicting evidence retrieved on SciFact-Open (818 versus 443 claim-paper pairs), reasoning graphs raise citation F1 on ScholarQABench by more than 5 points over the same retrieved papers, and LKM retrieval improves a fixed answering model by 9.3, 4.2, and 14.7 points over no retrieval on ChemBench, PubMedQA, and SciBench. LKM lays the foundation for a scientific ecosystem in which AI scientists not only recall accumulated knowledge but also extend it, returning new questions, workflows, and evidence to a memory that every subsequent investigation can build on.
• Abstract（参考訳）: エージェント科学は、共有され進化する科学知識の体系を構築しながら、多くの自律的なエージェントが同時に調査することを想定している。 これは、高いコンカレンシーアクセスをサポートし、トレース可能で再利用可能な推論を保持し、漸進的に成長する知識基盤を必要とする。 専門分野にまたがる科学知識の一般的な表現を提供するエージェント・ネイティブ・ナレッジ・ファウンデーションであるLKMを提案する。 LKMは、科学文献を推論グラフに分類し、コアノードとしての主張と、前提と証拠が結論をどのように支持するかを明確にする関連する推論連鎖を定めている。 クロスペーパーリンクはそれらを整列した質問、ワークフロー、エビデンスビューに整理する。 新たに抽出された論文は、既存のオブジェクトのアイデンティティを保持しながら、基礎を漸進的に拡張する。 この基盤の上に構築されたエージェントネイティブな推論型科学的検索システムにより,その主張を推論チェーンや情報源とともに検索し,科学的結論に基づく証拠を調査・再利用する。 LKMはSciFact-Open (818対443のクレームペーパーペア)で検索された既知の支持と矛盾する証拠をほぼ2倍にし、推論グラフはScholarQABench上での引用を5ポイント以上増加させ、LKMはChemBench、PubMedQA、SciBenchの検索無しで9.3、4.2、14.7ポイント改善する。 LKMは、AI科学者が蓄積した知識を思い出すだけでなく、それを拡張し、新しい質問やワークフロー、エビデンスを、その後のすべての調査が構築できる記憶に戻すという科学エコシステムの基礎を築いた。

関連論文リスト

• PaperMind: Benchmarking Agentic Reasoning and Critique over Scientific Papers in Multimodal LLMs [68.27437550335709]
  本稿では,研究論文に対する統合的およびエージェント指向の科学的推論を評価するためのベンチマークであるPaperMindを紹介する。 PaperMindは、農業、生物学、化学、計算機科学、医学、物理学、経済学を含む7つの領域にわたる実際の科学論文から構築されている。 複数のタスクにわたるモデル行動を分析することにより、PaperMindは統合された科学的推論行動の診断的評価を可能にする。
  論文  参考訳（メタデータ） (2026-04-23T05:42:39Z)
• PaperScope: A Multi-Modal Multi-Document Benchmark for Agentic Deep Research Across Massive Scientific Papers [52.97586643334384]
  本稿ではエージェントディープリサーチのベンチマークであるPaperScopeを紹介する。 3年にわたる2000以上のAI論文の知識グラフ上に構築されている。 意味的に関連するキー情報ノードを統合し、最適化されたランダムウォーク記事セレクタを使用する。
  論文  参考訳（メタデータ） (2026-04-13T11:07:08Z)
• Demystifying Scientific Problem-Solving in LLMs by Probing Knowledge and Reasoning [53.82037883518254]
  SciReasは、科学的推論タスクのための様々なベンチマークスイートである。 次に、科学的タスクにおける推論と知識の異なる役割を研究するための探索フレームワークであるKRUXを提案する。
  論文  参考訳（メタデータ） (2025-08-26T17:04:23Z)
• The Next Phase of Scientific Fact-Checking: Advanced Evidence Retrieval from Complex Structured Academic Papers [11.88478056313921]
  この問題は、科学知識の進化する性質に適合しなければならないため、一般的な事実チェックよりも本質的に複雑である。 既存のアプローチでは、抽象データからなる小規模データセットに基づいて、問題の簡易バージョンに重点を置いている。 本稿では,現状の科学的ファクトチェックシステムの限界について検討し,その性能向上に活用できる潜在的な特徴と資源を明らかにする。
  論文  参考訳（メタデータ） (2025-06-25T21:29:33Z)
• A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
  大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。 我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-16T08:03:24Z)
• Fish-bone diagram of research issue: Gain a bird's-eye view on a specific research topic [11.556954590485319]
  本研究の目的は、因果関係を含む魚骨図を提供することによって、初心者研究者を支援することである。 それは、関連性および論理的要因に基づいて、研究分野の幅広い、高度に一般化された視点を提供する。
  論文  参考訳（メタデータ） (2024-04-30T05:43:41Z)
• Scientific Fact-Checking: A Survey of Resources and Approaches [0.799536002595393]
  科学的事実チェック(英: scientific fact-checking)とは、科学的知識に根ざした主張の検証に関するタスクのバリエーションである。 この課題は、オンラインプラットフォーム上での科学的・健康的な議論の重要性が高まり、大きな注目を集めている。 本稿では,この新興分野における既存研究の総合的な調査とその関連課題について紹介する。
  論文  参考訳（メタデータ） (2023-05-26T12:12:15Z)

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。