論文の概要: Hierarchical Multi-Agent Reasoning Systems for Knowledge-Grounded Material Substitution

• arxiv url: http://arxiv.org/abs/2610.14123v1
• Date: Fri, 09 Oct 2026 10:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:10:27.328018
• Title: Hierarchical Multi-Agent Reasoning Systems for Knowledge-Grounded Material Substitution
• Title（参考訳）: 知識を包含した物質置換のための階層的マルチエージェント推論システム
• Abstract要約: 我々は,知識基底物質置換のための階層型マルチエージェント推論システムMARSを提案する。 Marsは、要求分析、接地候補生成、製造可能性評価を含むクローズドループワークフローに置換を分解する。 PFAS代替のケーススタディでは、MARSは構造化された材料要件を生成し、エビデンス基底の代替候補を特定し、実験室規模の製造経路を開発する。
• 参考スコア（独自算出の注目度）: 3.923443951480117
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI-assisted scientific discovery increasingly seeks to move beyond generating plausible ideas toward reproducible, constraint-aware workflows that can support practical engineering decisions. We present MARS, a hierarchical Multi-Agent Reasoning System for knowledge-grounded material substitution under scientific and manufacturing constraints. We apply MARS to replace per- and polyfluoroalkyl substances (PFAS), a demanding materials-design problem in which substitutes must satisfy functional performance, environmental, experimental, and processing requirements. MARS decomposes substitution into a closed-loop workflow comprising requirement analysis, grounded candidate generation, and manufacturability assessment with process design. The system integrates retrieval-augmented generation, knowledge-graph reasoning, a database of lab-available materials, persistent memory of intermediate results, and rejection-aware iterative feedback. In a PFAS-substitution case study, MARS generates structured material requirements, identifies an evidence-grounded substitute candidate, and develops a lab-scale manufacturing route. In a multi-seed ablation evaluation, MARS achieves the highest overall performance across all three subsystems, with gains that persist when the backbone model is held fixed. These results suggest that hierarchical decomposition, knowledge grounding, and manufacturability-aware refinement improve material-substitution reasoning beyond model capability alone.
• Abstract（参考訳）: AIが支援する科学的な発見は、実用的なエンジニアリング決定を支援する再現性のある制約対応のワークフローに向けて、もっともらしいアイデアを生み出すことを超えて、ますます前進しようとしている。 科学・製造制約下での知識基盤物質置換のための階層的マルチエージェント推論システムMARSを提案する。 代替品が機能性能, 環境, 実験, 処理要求を満たす必要のある材料設計問題であるPFAS(per- and polyfluoroalkyl substances)の代替としてMARSを適用した。 MARSは、要求分析、接地候補生成、プロセス設計による製造可能性評価を含むクローズドループワークフローに置換を分解する。 このシステムは、検索強化生成、知識グラフ推論、実験室で利用可能な資料のデータベース、中間結果の永続記憶、拒否認識反復フィードバックを統合している。 PFAS代替のケーススタディでは、MARSは構造化された材料要件を生成し、エビデンス基底の代替候補を特定し、研究室規模の製造経路を開発する。 マルチシードアブレーション評価において、MARSは、バックボーンモデルが固定されたときのゲインを保ち、3つのサブシステム全体で最高の全体的なパフォーマンスを達成する。 これらの結果は, 階層的分解, 知識基盤, 製造可能性に配慮した改良が, モデル能力以外の物質置換推論を改善することを示唆している。

関連論文リスト

• Automatic Ordinary Differential Equations Discovery For Biological Systems Using Large Language Model Powered Agentic System [5.239036758185077]
  常微分方程式モデルを発見するためのエージェントフレームワークであるMEDAシステムを紹介する。 MEDAは、背景知識を取得し、許容変数を定義し、機械的制約を生成し、候補ODEを提案し、それらを適合させ評価する。 我々は、標準モデル検索、未知の変種に対する推論に基づく外挿、そしてオープンエンドな発見にまたがってこれを評価した。
  論文  参考訳（メタデータ） (2026-07-15T08:56:56Z)
• AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems [82.01232437066487]
  AgentXはプロダクションデプロイされたマルチエージェントシステムで、このプロダクション機能を再構築する。 自律的に生成し、実装し、評価し、レコメンデーション実験から学ぶ。 AgentXは4つの密結合したステージをクローズドループでオーケストレーションする。
  論文  参考訳（メタデータ） (2026-06-25T10:42:28Z)
• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Sustainable Materials Discovery in the Era of Artificial Intelligence [3.222363676081407]
  本稿では,上流機械学習(ML)支援材料発見と下流ライフサイクルアセスメントを一様ML-LCA環境に統合することを提案する。 ML-LCAフレームワークは、材料環境知識ベースを構築するための情報抽出、サステナビリティメトリクスにプロパティをリンクする調和データベース、原子特性をライフサイクルへの影響にブリッジするマルチスケールモデル、不確実な定量化を伴う製造経路のアンサンブル予測、不確実性を考慮した最適化の5つのコンポーネントを統合する。
  論文  参考訳（メタデータ） (2026-01-29T10:42:44Z)
• Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
  エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。 本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
  論文  参考訳（メタデータ） (2026-01-08T08:13:27Z)
• FELA: A Multi-Agent Evolutionary System for Feature Engineering of Industrial Event Log Data [7.129004248608012]
  イベントログデータは、現代のデジタルサービスにとって最も価値のある資産の1つである。 AutoMLや遺伝的手法のような既存の機能エンジニアリングアプローチは、しばしば限定的な説明責任に悩まされる。 複雑なイベントログデータから有意義かつ高性能な特徴を自律的に抽出するマルチエージェント進化システムFELAを提案する。
  論文  参考訳（メタデータ） (2025-10-29T06:57:32Z)
• Fault Cause Identification across Manufacturing Lines through Ontology-Guided and Process-Aware FMEA Graph Learning with LLMs [1.9563024477582351]
  本研究では,製造領域の概念化とグラフニューラルネットワーク(GNN)推論を組み合わせることにより,FMEA再利用性を高めるプロセス認識フレームワークを提案する。 自動車用圧力センサ組立ラインのケーススタディでは,提案手法が最先端の検索強化生成(RAG)ベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-17T08:35:47Z)
• MSRS: Evaluating Multi-Source Retrieval-Augmented Generation [51.717139132190574]
  多くの現実世界のアプリケーションは、複数のソースにまたがる情報を統合して要約する能力を必要としている。 本稿では、RAGシステムに対して異なるソース間で情報を統合するための評価ベンチマークを構築するためのスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T14:59:55Z)
• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)

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。