MechGPT, a language-based strategy for mechanics and materials modeling that connects knowledge across scales, disciplines and modalities

MechGPT, a language-based strategy for mechanics and materials modeling that connects knowledge across scales, disciplines and modalities

1. 本研究の学術的背景・研究課題の核心をなす学術的「問い」は、異なる分野の知識をつなげる方法を見つけることです。以前の研究者（ガリレオ、ダ・ヴィンチなど）は多くの分野に精通していましたが、後に専門化が進みました。しかし、人工知能の出現により、私たちは機械学習と生物学、あるいは故障力学とアートなど、異なる領域間の関係を探求することができるようになりました。本研究では、大規模言語モデル（LLM）を使用して、材料のマルチスケール故障に関する一部の知識に焦点を当てています。

2. 本研究の目的は、LLMを用いて異なる分野や領域間の知識のつながりを探究することです。また、知識の抽出、言語タスクの実行、仮説生成、異なる領域間の知識の結びつけなど、さまざまな応用可能性を探求することも目指しています。この研究の学術的独自性と創造性は、先行研究や既存の手法と比べて、異分野間の知識の抽出や結びつけを容易に行えるLLMの有用性を示すことにあります。

3. 本研究は、先行研究や国内外の動向と結びついています。従来のマルチスケールモデリングに加えて、LLMを使用することで新たなアプローチが可能になりました。先行研究では、大量のデータや複雑なシステムの分析、機械学習モデルの開発、科学的なテキストの分析など、さまざまな応用が示されています。本研究では、これらの応用を拡張し、材料の故障やマルチスケールモデリングに特化したLLMを提案しています。

4. 本研究では、以下の点を明らかにしました。

   • 一般的なLLMを使用して、生データから質問-回答のペアを抽出する方法

   • LLMをfine-tuningすることで得られる「MechGPT」の特性と利用可能性（知識の抽出、言語タスク、仮説生成など）

   • 13億〜700億のパラメータ数や10,000トークン以上のコンテキストの異なるバージョンのMechGPTの性能と応用可能性

   • LLMを使用したオントロジカル・ナレッジ・グラフの生成の有用性と解釈性

   • LLM同士の相互作用や対立的な関係を持つ複数のLLMによるエージェントモデリングの可能性

   • 文献やウェブ検索からの新しいデータの組み込みと多様性に対応したモデルの柔軟性

5. 本研究の有効性は、さまざまな設定でのパフォーマンステストによって検証されました。LLMを使用した知識の抽出や応用タスクにおいて、その能力が示されました。また、オントロジカル・ナレッジ・グラフなどの解釈可能なグラフ構造の生成によって、より深い洞察を得ることができることも明らかにされました。さらに、多様な文脈やデータソースに対応する多様性や柔軟性も評価されました。