Önállóan fejleszt anyagkutatási elméleteket az új LLM-ügynök — emberi beavatkozás nélkül
A modell képes egyenletformát választani, saját kódot generálni és futtatni, majd ellenőrizni, mennyire illeszkedik az elmélet az adatokhoz, mindezt emberi beavatkozás nélkül.
Önállóan képes anyagkutatási elméleteket fejleszteni egy új nagyméretű nyelvi modell (LLM) alapú ügynök — derül ki egy friss, előnyomtatott tanulmányból, amelyet kutatók tettek közzé az arXiv-on.
A keretrendszer lépésről lépésre történő érvelést kombinál szakértők által biztosított eszközökkel, így az ügynök szükség szerint módosíthatja megközelítését, miközben világos nyilvántartást vezet döntéseiről. Ez a módszer lehetővé teszi, hogy az AI ne csak alkalmazza, hanem aktívan alakítsa is a tudományos kutatási folyamatokat.
Jól megalapozott anyagkapcsolatok, például a Hall-Petch egyenlet vagy a Paris-törvény esetében az ügynök helyesen azonosítja a kormányzó egyenletet és megbízható előrejelzéseket készít új adatkészleteken — állítják a kutatók. Ez azt jelenti, hogy a modell képes reprodukálni és megerősíteni a már ismert tudományos törvényszerűségeket.
A speciálisabb összefüggések, mint például a konjugált molekulák HOMO-LUMO résének Kuhn-egyenlete esetében a teljesítmény erősebben függ az alapul szolgáló modelltől. A kutatók szerint a GPT-5 jobb eredményeket mutatott a helyes egyenlet felderítésében ezeknél a komplexebb kapcsolatoknál. Az ügynök a már ismert elméleteken túl új prediktív összefüggéseket is javasolhat, ami áttörést jelenthet az anyagkutatásban.