論文の概要: Deep Scientific Reasoning under Physical Constraints: Structure-Aware Spectrum Prediction

• arxiv url: http://arxiv.org/abs/2610.34021v1
• Date: Sun, 25 Oct 2026 03:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.51873
• Title: Deep Scientific Reasoning under Physical Constraints: Structure-Aware Spectrum Prediction
• Title（参考訳）: 物理制約下における深部科学的推論:構造認識スペクトル予測
• Abstract要約: 構造化された科学的スペクトルは、厳しい制約に従いながら、豊富な物理情報を符号化する。 本稿では,物理制約下でスペクトルを予測するパラダイムであるDeepSciReasonerを紹介する。 我々は,eDOS,fDOS,X線吸収近傍構造(XANES),Ramanスペクトルを用いて評価を行った。
• 参考スコア（独自算出の注目度）: 31.39955095895937
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Structured scientific spectra encode rich physical information while obeying hard constraints, such as conservation laws and characteristic spectral geometry. Accurate prediction of these spectra is central to materials discovery, yet existing methods often treat them as unconstrained sequences and therefore fail to enforce the underlying physical structure. Taking electronic density of states (eDOS) as the prototypical example, we introduce DeepSciReasoner, a general paradigm for predicting scientific spectra under physical constraints. The framework combines structure-aware spectrum decoding with constraint-preserving physical reasoning, allowing predictions to capture rich spectral structure while respecting the underlying physics. We evaluate DeepSciReasoner on eDOS, phonon density of states (phDOS), X-ray absorption near-edge structure (XANES), and Raman spectra, where it substantially improves prediction accuracy while maintaining physical consistency. These results establish DeepSciReasoner as a reusable blueprint for structured scientific spectrum prediction under hard physical constraints.
• Abstract（参考訳）: 構造化された科学的スペクトルは、保存法則や特徴的なスペクトル幾何学のような厳しい制約に従いながら、豊富な物理情報を符号化する。 これらのスペクトルの正確な予測は物質発見の中心であるが、既存の方法では制約のない配列として扱うことが多く、従って基礎となる物理的構造を強制することができない。 電子状態密度(eDOS)を原型として、物理的制約下での科学的スペクトルを予測するための一般的なパラダイムであるDeepSciReasonerを導入する。 このフレームワークは、構造認識スペクトル復号と制約保存物理推論を組み合わせることで、基礎となる物理を尊重しながら、リッチスペクトル構造を予測できる。 我々は,eDOS,fDOS,X線吸収近傍構造(XANES),Ramanスペクトルを用いてDeepSciReasonerを評価し,物理的整合性を維持しながら予測精度を大幅に向上させる。 これらの結果は、DeepSciReasonerを、ハード物理制約下で構造化された科学的スペクトル予測のための再利用可能な青写真として確立する。

関連論文リスト

• Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
  SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-08T17:59:59Z)
• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• Integrating Bayesian Spectral Deconvolution and Expert Scientific Reasoning for Robust Peak Estimation [0.46141109426698784]
  スペクトルデコンボリューションを専門的な科学的推論と統合する枠組みを提案する。 我々は、高強度ノイズや未知の背景を持つ合成スペクトルを用いて、その枠組みを検証する。
  論文  参考訳（メタデータ） (2026-05-17T16:03:13Z)
• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• On the Spectral Flattening of Quantized Embeddings [25.64641307046705]
  超低精度での大規模言語モデルの訓練は、離散量子化制約と言語データの本質的な重み付きスペクトル特性の相違に根ざした不安定性によって、決定的に阻害される。 この研究は、LLMのスペクトル感度を定量化するだけでなく、安定な低ビット最適化に必要な条件としてスペクトル忠実性を確立する。
  論文  参考訳（メタデータ） (2026-02-01T02:21:53Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• RamPINN: Recovering Raman Spectra From Coherent Anti-Stokes Spectra Using Embedded Physics [6.031443311367233]
  本稿では,与えられたCARSスペクトルからラマンスペクトルを復元するモデルであるRamPINNを提案する。 我々の中核的な方法論的貢献は、二重デコーダアーキテクチャを利用して共鳴信号と非共鳴信号を切り離す物理インフォームドニューラルネットワークである。 これらの物理に基づく損失のみによるトレーニングは、ラマンスペクトルにアクセスすることなく、まだ競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-10-07T15:18:44Z)
• Decoding Structure-Spectrum Relationships with Physically Organized Latent Spaces [6.36075035468233]
  構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。 本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。 RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
  論文  参考訳（メタデータ） (2023-01-11T21:30:22Z)

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。