論文の概要: The AI Theorist reveals excitonic structure in $α$-RuCl$_3$
- arxiv url: http://arxiv.org/abs/2610.02417v1
- Date: Thu, 01 Oct 2026 19:40:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.071036
- Title: The AI Theorist reveals excitonic structure in $α$-RuCl$_3$
- Title（参考訳）: AI理論者は、$α$-RuCl$_3$で励起構造を明らかにする
- Abstract要約: 物理モデルの自律的発見のためのAIエージェントシステムであるAI Theoristを紹介する。
我々は、このフレームワークを、北エフ量子スピン液体を実現するための主要な候補物質である$-RuCl$_3$に応用する。
我々の知る限り、これは量子材料における未発表の実験的な観察を説明する物理的モデルを自律的に開発するAIシステムの最初の実演である。
- 参考スコア（独自算出の注目度）: 17.367130314465754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in experimental instrumentation and automation generate increasingly rich datasets, but turning experimental observations into microscopic understanding remains a bottleneck in scientific discovery. To accelerate this process, we introduce AI Theorist, a system of artificial intelligence (AI) agents for autonomous discovery of physical models through hypothesis generation, first-principles calculations and evidence-driven refinement. We apply the framework to $α$-RuCl$_3$, a leading candidate material for realizing a Kitaev quantum spin liquid, to investigate its electronic structure through optical spectra. AI Theorist develops a new interpretation of the optical and photocurrent observations, identifying distinct excitonic states with contrasting optical selection rules and real-space distributions. To our knowledge, this is the first demonstration of an AI system autonomously developing a physical model to explain previously unpublished experimental observations in a quantum material, utilizing first-principles electronic-structure and many-body calculations. Our results establish a route to autonomous theoretical discovery in materials science, in which AI agents use first-principles calculations to turn experimental observations into physical models and testable predictions.
- Abstract（参考訳）: 実験機器と自動化の進歩は、ますます豊富なデータセットを生成するが、実験的な観察を顕微鏡的な理解に変えることは、科学的な発見のボトルネックである。
このプロセスを加速するために、仮説生成、第一原理計算、エビデンス駆動の洗練を通じて物理モデルの自律的な発見を行うAIエージェントであるAI Theoristを導入する。
本フレームワークを,北エフ量子スピン液体の主候補物質であるα$-RuCl$_3$に応用し,光学スペクトルによる電子構造の研究を行う。
AI理論者は、光学的および光電流的な観測の新しい解釈を開発し、対照的な光学的選択規則と実空間分布で異なる励起状態を特定する。
我々の知る限り、これは量子材料における未発表の実験的な観察を説明する物理モデルを自律的に開発するAIシステムの最初のデモンストレーションであり、第一原理の電子構造と多体計算を利用する。
本研究は,AIエージェントが第一原理計算を用いて実験結果の物理モデルと検証可能な予測を行う,材料科学における自律的理論的発見の道筋を確立するものである。
関連論文リスト
- From Observation to Insight: Mechanistic World Models and the Quest for Autonomous Discovery [60.11725132433485]
科学的発見は基本的に知識組織の問題であると主張する。
本稿では,表現,計算,学習の中心に再利用可能な機構を配置する新しい設計パラダイムであるメカニスティック・ワールド・モデルを紹介する。
論文 参考訳（メタデータ） (2026-07-14T08:03:27Z) - Qumus: Realization of An Embodied AI Quantum Material Experimentalist [32.20436799764419]
我々は、最初のAI量子材料実験者であるQumusを紹介する。
Qumusは、原子的に薄い2D材料と積み重ねられたファンデルワールス(vdW)構造の作成とナノプロセスのために設計された、インテリジェントでマルチモーダルでマルチエージェントシステムである。
重要なことに、このシステムは初めて、グラフェンのAI生成と、vdWスタックによる原子的に薄い電界効果トランジスタを含む複雑なナノデバイスの最初のAIファブリケーションを達成した。
論文 参考訳（メタデータ） (2026-05-18T13:47:31Z) - End-to-end autonomous scientific discovery on a real optical platform [12.355486051983162]
Qiushi Discovery Engineは、実際の光学プラットフォーム上でのエンドツーエンドの自律的な科学的発見のためのLLMベースのエージェントシステムである。
非原プラットフォーム上での伝達行列実験を再現し、抽象的コヒーレンス順序理論を実験的な可観測物に変換する。
これはAIエージェントシステムが、非自明で以前に報告されていない物理的メカニズムを自律的に識別し、実験的に検証する最初のデモンストレーションである。
論文 参考訳（メタデータ） (2026-04-29T18:36:57Z) - AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。
多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。
ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
論文 参考訳（メタデータ） (2025-11-26T02:10:28Z) - Prospects for Using Artificial Intelligence to Understand Intrinsic Kinetics of Heterogeneous Catalytic Reactions [2.0971479389679337]
鍵となるフロンティアは、AIをマルチスケールモデルとマルチモーダル実験に統合することである。
一貫性のないデータ品質と モデルの複雑さは 機械的な発見を制限する
生成AIとエージェントAIは、モデル生成を自動化し、不確実性を定量化し、実験でカップル理論を組み込むことができる。
論文 参考訳（メタデータ） (2025-10-21T04:35:26Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。
視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。
常に最先端のVLMベースラインを精度と解釈性で上回る。
論文 参考訳（メタデータ） (2025-08-24T14:34:21Z) - Sparks: Multi-Agent Artificial Intelligence Model Discovers Protein Design Principles [0.0]
私たちは、発見サイクル全体を実行するマルチモーダルなマルチエージェントAIモデルであるSparksを紹介します。
火花は独自に厳密な科学的調査を行い、これまで知られていなかった科学的原則を特定できる。
論文 参考訳（メタデータ） (2025-04-26T20:43:28Z) - A Phenomenological AI Foundation Model for Physical Signals [1.204553980682492]
我々は0.59億のクロスモーダルセンサ測定のモデルを開発し、訓練する。
物理法則や帰納バイアスに関する事前の知識はモデルに導入されなかった。
一つの基礎モデルが物理的挙動を効果的にエンコードし予測できることを実証する。
論文 参考訳（メタデータ） (2024-10-15T21:03:53Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z)
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。