論文の概要: Evidence-grounded large language models guide perovskite solar cell design and optimization

• arxiv url: http://arxiv.org/abs/2611.00633v1
• Date: Sat, 31 Oct 2026 04:57:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:01:05.896358
• Title: Evidence-grounded large language models guide perovskite solar cell design and optimization
• Title（参考訳）: Evidence-grounded large language model guide perovskite Solar cell design and optimization
• Abstract要約: PSM-ベンチ(英: PSM-Bench)は、ペロブスカイト型太陽光発電における科学的推論を評価する800クエストベンチマークである。 OpenPerovは専門家による言語モデルフレームワークで、4,532記事から再構築された専門家による校正された証拠記録から学ぶ。
• 参考スコア（独自算出の注目度）: 11.834172643240251
• License:
• Abstract: Using large language models to interpret experimental evidence, design discriminating experiments and formulate well-supported mechanistic explanations remains a central challenge in materials research. Here we establish PSM-Bench, an 800-question benchmark developed by perovskite researchers to evaluate scientific reasoning in perovskite photovoltaics. We also introduce OpenPerov, an expert-informed language-model framework that learns from expert-calibrated evidence records reconstructed from 4,532 articles; these records link experimental strategies, controls and observations to mechanistic interpretations. Structured-evidence adaptation outperformed conventional question-answer training, and OpenPerov Flash ranked first among 13 closed-book systems. OpenPerov Pro raised Scientific Mastery further, from 87.6 to 89.1, by revising selected passages with retrieved evidence. On questions derived from subsequent studies, both models also outscored expert-authored answers. In an experimental test of self-assembled monolayer design, OpenPerov selected a K analogue that outperformed the Na analogue preferred by experts. Devices incorporating the selected contact reached a power conversion efficiency of 27.05% and retained 96.74% of their steady-state reference efficiency after 1,000 h of dark thermal ageing at 85 $^\circ$C. These results show that reconstructed scientific reasoning provides an effective basis for building domain models that interpret experiments and inform materials design.
• Abstract（参考訳）: 大規模な言語モデルを用いて実験的な証拠を解釈し、設計を識別し、十分に支持された力学的な説明を定式化することは、材料研究における中心的な課題である。 ここでは、ペロブスカイト研究者によってペロブスカイト太陽電池の科学的推論を評価するために開発された800クエストベンチマークであるPSM-Benchを確立する。 また,4,532記事から再構成された専門家校正された証拠記録から学習する専門家インフォームド言語モデルフレームワークであるOpenPerovを紹介した。 構造化エビデンス適応は従来の質問応答訓練よりも優れており、OpenPerov Flashは13のクローズドブックシステムの中で第1位である。 OpenPerov Pro は87.6 から89.1 まで、検索された証拠で選択されたパスを改訂することで、さらに科学的な修士号を引き上げた。 その後の研究から得られた質問では、どちらのモデルも専門家による回答よりも優れている。 自己集合単層設計の実験実験において、OpenPerovは専門家が好むNaアナログよりも優れたKアナログを選択した。 選択された接触を組み込んだ装置は27.05%の電力変換効率に達し、1000hの暗熱時効後85ドル^\circ$Cで安定状態の基準効率の96.74%を維持した。 これらの結果は、再構成された科学的推論が、実験を解釈し、材料設計を通知するドメインモデルを構築するための効果的な基盤を提供することを示している。

関連論文リスト

• LabOPBench: A Multimodal Benchmark for Evidence-Grounded Laboratory Decision Making [47.333466839190976]
  有機合成と材料科学に関する質問を独立にレビューした756名の専門家によるマルチモーダルベンチマークであるLabOPBenchについて紹介する。 8つのマルチモーダルモデルは28.8-45.8%の総合正規化スコアを取得し、改善の余地を残している。 3つの主要なモデルからの応答のエキスパート分析は、Evidence MisreadingとEvidence-Decision Conflictを支配的なエラーパターンとして特定する。
  論文  参考訳（メタデータ） (2026-10-14T08:29:52Z)
• SciExam for ENSO: Can AI Agents Build Climate Models? [54.94822880836718]
  様々な情報の下でトップシステムの制御された実行は、そのスコアが、日付の観測記録をリコールすることによるものではないことを示唆している。 結果は、科学者がまだ議論している疑問に答える構造を持つ競争モデルを構築することができることを示唆している。
  論文  参考訳（メタデータ） (2026-10-07T17:52:52Z)
• A self-learning scientific agent for X-ray diffraction [13.735875673039258]
  Gan Jiangは粉体X線回折のための自己学習エージェントであり、我々が開発した回折分析エコシステム上に構築されている。 失敗を診断し、スキル命令とコードを修正し、再利用前にリビジョンを検証することで、分析的エクスペリエンスを実行可能なスキルに変換する。
  論文  参考訳（メタデータ） (2026-10-06T07:09:39Z)
• Science Edge Evaluation: SEE the Missing Step Toward Real Scientific Discovery [41.32793603340132]
  大型言語モデル(LLM)は科学的な発見にますます関与している。 それらが複雑な実験室科学を支えられるかどうかは不明だ。 19の大規模言語モデル(MLLM)の評価は、最高の性能モデルでさえ48.7%の精度しか達成していないことを示している。
  論文  参考訳（メタデータ） (2026-08-07T08:06:31Z)
• Teaching Language Models to Forecast Research Success Through Comparative Idea Evaluation [4.702729080310267]
  PapersWithCodeの客観的な結果に基づいて,11,488のアイデアペアのデータセットを構築した。 我々は、潜在的推論経路を発見するためにモデルを訓練し、解釈可能な正当化で71.35%を達成した。 この結果から,計算効率のよい小言語モデルが,有効で客観的な検証手段として有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-04-06T19:03:11Z)
• MolQuest: A Benchmark for Agentic Evaluation of Abductive Reasoning in Chemical Structure Elucidation [20.62843594129358]
  分子構造解明のための新規なエージェントベース評価フレームワークであるMolQuestを紹介する。 既存のデータセットとは異なり、MolQuestは分子構造解明をマルチターンインタラクティブタスクとして定式化している。 その結果、現代のフロンティアモデルでは、真正の科学的シナリオにおいて重大な制限が示されることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-26T09:57:17Z)
• Evaluating Large Language Models in Scientific Discovery [91.732562776782]
  大規模言語モデル (LLMs) は科学研究にますます応用されてきているが、科学ベンチマークでは非文脈化された知識を探索している。 生物, 化学, 材料, 物理にまたがるLSMを評価するシナリオグラウンドベンチマークを提案する。 このフレームワークは、(i)シナリオタイドアイテムの質問レベル精度と(ii)プロジェクトレベルのパフォーマンスの2つのレベルでモデルを評価する。
  論文  参考訳（メタデータ） (2025-12-17T16:20:03Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)

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。