データから理論へ：材料科学のための自律型大規模言語モデルエージェント

arXiv cs.AI / 2026/4/23

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

研究者らは、方程式の選択、コードの生成と実行、データへの当てはまりの検証までを人手なしで行う、エンドツーエンドのデータ駆動型「材料理論開発」用自律型LLMエージェントを提案した。
この枠組みは段階的な推論と専門家が提供するツールを組み合わせつつ、意思決定の記録を明確に残して、必要に応じてアプローチを調整できるようにしている。
Hall-Petchの式やParis則といった確立した材料関係では、エージェントが支配方程式を正しく特定し、新しいデータセットに対して信頼できる予測を行えることが示された。
Kuhnの式のようなより専門的な関係（共役分子のHOMO-LUMOギャップを長さで表す）では、元となるモデルへの依存度がより高く、GPT-5が正しい方程式の回復に優れていた一方で、数値フィットが強そうに見えても誤り・不完全さ・矛盾を含む方程式を返し得ることが明らかになった。
さらに、HOMO-LUMOギャップの歪みに依存する法則のような新しい予測関係も提案できるが、科学的妥当性を担保するには綿密な検証が依然として不可欠だと結論づけている。