論文の概要: GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery
- arxiv url: http://arxiv.org/abs/2610.28629v1
- Date: Tue, 20 Oct 2026 17:59:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.981832
- Title: GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery
- Title（参考訳）: GBClaw:原子性粒界研究と機械的発見のためのエージェントAIフレームワーク
- Abstract要約: 一般粒界(GBs)の構造と変形を調査するエージェントAIフレームワークGBClawを提案する。
GBClawは大規模な言語モデル(LLM)を、オーケストレータ、特殊エージェント、ドメイン固有のツール、シミュレーションインターフェース、階層メモリで構成されるモジュールアーキテクチャに統合する。
ニッケル中の14種類の非対称傾斜GBに境界スライディングを適用したGBClawは、界面欠陥構造を特徴付けるとともに、これらの不規則境界の様々な変形モードを同定した。
- 参考スコア（独自算出の注目度）: 7.315864925021181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic artificial intelligence (AI) systems hold immense potential for automating complex workflows in materials discovery and design, but extending them to domain-intensive mechanistic investigations remains challenging. Here, we present GBClaw, an agentic AI framework for investigating the structure and deformation of general grain boundaries (GBs). Although general GBs constitute the vast majority of real-world interfaces in polycrystalline materials, they remain understudied because their structural complexity and interfacial mismatch complicate experimental and modeling research. GBClaw integrates large language models (LLMs) into a modular architecture comprising an orchestrator, specialized agents, domain-specific tools, simulation interfaces, and hierarchical memory. Through dynamic replanning and iterative workflow refinement, the framework effectively connects systematic simulations with targeted mechanistic analysis. Applied to 14 general asymmetric tilt GBs in nickel, GBClaw characterized interfacial defect structures and identified diverse deformation modes across these incommensurate boundaries. Comparing boundary sliding with and without secondary GB misfit dislocations revealed substantial differences in shear strength, underscoring the critical role of defect hierarchies in sliding resistance. Furthermore, researcher-guided follow-up calculations traced an anomalously high shear resistance to metastable boundary structures. This work demonstrates that combining agentic AI with domain expertise bridges high-throughput computational screening with deep physical understanding of complex material interfaces.
- Abstract（参考訳）: エージェント人工知能(AI)システムは、材料発見と設計において複雑なワークフローを自動化する大きな可能性を秘めている。
本稿では,一般粒界(GBs)の構造と変形を調査するエージェントAIフレームワークであるGBClawを紹介する。
一般のGBは多結晶材料の実際の界面の大部分を占めるが、その構造的複雑さと界面のミスマッチが実験的およびモデリング研究を複雑にするため、まだ検討されていない。
GBClawは大規模な言語モデル(LLM)を、オーケストレータ、特殊エージェント、ドメイン固有のツール、シミュレーションインターフェース、階層メモリで構成されるモジュールアーキテクチャに統合する。
動的再構成と反復的なワークフロー改善により、このフレームワークは、システマティックシミュレーションとターゲットメカニスティック分析を効果的に結合する。
ニッケル中の14種類の一般的な非対称傾斜GBに対してGBClawは界面欠陥構造を特徴付け、これらの不規則な境界をまたいだ多様な変形モードを同定した。
境界すべりと二次GB不適合転位との比較により, せん断強度に有意な差がみられ, 耐すべり性における欠陥階層の重要性が示唆された。
さらに、研究者が導いた追従計算は、準安定境界構造に対する異常に高いせん断抵抗を辿った。
この研究は、エージェントAIとドメインの専門知識を組み合わせることで、複雑な物質インターフェースの深い物理的理解と高スループットな計算スクリーニングを橋渡しすることを示した。
関連論文リスト
- Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation [84.5255199507027]
Agentic Designerは、構造を意識した内部レイアウト生成を反復的かつ制約的に検証された決定プロセスとして定式化する、プログレッシブなフレームワークである。
提案、検証、合成、調整のモジュールステージにレイアウトを分解することで、フレームワークは3つの特殊エージェント、ジェネレータ、評価器、精錬器を協調する。
この機構は、各配置がコミットされる前に段階的に幾何的検証と補正を行い、エラーの蓄積を防止する。
論文 参考訳（メタデータ） (2026-07-23T02:46:11Z) - Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。
不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。
AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-07-15T14:30:20Z) - XDomainBench: Diagnosing Reasoning Collapse in High-Dimensional Scientific Knowledge Composition [55.07589952126153]
XDomainBenchは、インタラクティブな学際的科学的推論のための診断ベンチマークである。
合成順序と混合構造を定式化し, 単科目から学際間への系統的ストレステストを可能にする。
LLMの大規模評価は、組成の順序が増加するにつれて、体系的な推論の崩壊が明らかになる。
論文 参考訳（メタデータ） (2026-05-14T12:19:19Z) - From Intent to Evidence: A Categorical Approach for Structural Evaluation of Deep Research Agents [25.080554451314683]
深層研究エージェント(DRA)は、複雑な情報合成のための有望なパラダイムとして登場した。
我々は、DRAの挙動を圏論のレンズを通して形式化し、構造保存マップの合成として深層研究ワークフローをモデル化する。
エージェントを4つの解釈可能な軸に沿ってストレステストするために設計された296の質問を持つメカニズム認識ベンチマークを導入する。
論文 参考訳（メタデータ） (2026-03-26T11:37:26Z) - TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。
マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。
また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
論文 参考訳（メタデータ） (2026-03-10T10:19:42Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations [5.931951549967812]
偏微分方程式(PDE)によって支配される流れやより広い物理現象は、本質的に連続であり、高次元であり、しばしばカオスである。
伝統的に、研究者はこれらの豊富なPDE解空間を実験室実験や計算に高価な数値シミュレーションを用いて探索してきた。
本研究は,フローフィールドの明示的,コンパクトかつ不整合な潜在表現を学習するパラメトリドシミュレーション上の生成モデルLFMと多エージェントLPMを結合することにより,この問題に対処する。
論文 参考訳（メタデータ） (2026-02-26T20:39:45Z) - RooflineBench: A Benchmarking Framework for On-Device LLMs via Roofline Analysis [53.90240071275054]
SLM(Small Language Models)によるローカライズドインテリジェンスへの移行により、リソース制約のあるエッジハードウェア上での厳密なパフォーマンス評価の必要性が高まっている。
運用強度レンズ(OI)によるアーキテクチャプリミティブとハードウェア制約を統一する体系的フレームワークを提案する。
推論-ポテンシャル領域を定義することにより、同一ハードウェア基板上のLarge Language Models(LLM)の効率差を比較するための新しい指標として、相対推論ポテンシャルを導入する。
論文 参考訳（メタデータ） (2026-02-12T03:02:22Z) - Imposing Boundary Conditions on Neural Operators via Learned Function Extensions [13.031092961445104]
本稿では,機能拡張による複雑な非均一なBC上でのニューラル演算子の条件付けフレームワークを提案する。
我々は、Poisson、線形弾性、超弾性問題にまたがる18の挑戦的データセットをベンチマークした。
この結果から,既存のニューラルネットワークフレームワークにおいて,境界-領域間拡張を学習することは複雑なBCGを注入するための効果的かつ実践的な戦略であることが示唆された。
論文 参考訳（メタデータ） (2026-02-04T08:28:43Z) - Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows [18.240532888032394]
我々は、困難でアプリケーション駆動のリアクティブフローでニューラルネットワークサロゲートをテストするために設計された厳格なベンチマークフレームワークであるREALM(Realistic AI Learning for Multiphysics)を提案する。
我々は、スペクトル演算子、畳み込みモデル、トランスフォーマー、ポイントワイド演算子、グラフ/メッシュネットワークを含む、12以上の代表代理モデルファミリをベンチマークする。
i)次元性、剛性、メッシュの不規則性によって共同で管理されるスケーリング障壁により、ロールアウトエラーが急速に増加すること、(ii)パラメータカウントよりもアーキテクチャ上の帰納バイアスによって主に制御されるパフォーマンス、(iii)精度の指標と物理的にの間にある永続的なギャップ、の3つの頑健な傾向を識別する。
論文 参考訳（メタデータ） (2025-12-21T05:04:13Z) - Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks [0.9663199711697325]
構造コネクトーム(SC)研究における小さなサンプルサイズは、神経学的および精神疾患に対する信頼性の高いバイオマーカーの開発を制限する。
大規模なマルチサイト研究は存在するが、スキャナーの不均一性による買収関連バイアスがある。
本稿では,メタデータを必要とせず,多様な取得サイト間でSCを調和させる,サイト条件の深い調和フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-18T14:58:05Z)
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。