TL;DRPallasは、AI…
TL;DR
この論文は、材料探索のアクティブラーニングにおいて、オープンウェイトのLLMを単独の取得ポリシーとして使えるかを検証。4つの材料最適化タスクで、LLMはランダム選択より速く最適解に到達するが、ガウス過程（GP-EI）には多くのタスクで及ばない。候補の提示方法やモデルによって性能が大きく変わり、LLMは補助的な取得シグナルとして有望だが、信頼性には課題がある。
解説
ねえ智也くん、この論文のタイトル、『LLMを材料探索の取得関数として使う』ってあるけど、取得関数って何？
アクティブラーニングで次に実験する候補を選ぶためのルールのことだよ。例えば、ガウス過程で期待改善量を計算するGP-EIがよく使われる。
なるほど！で、この論文はLLMをその取得関数として使えるか試したんだね。
そう。オープンウェイトのLLMを単独で使って、材料探索の4つのタスクで性能を比較してる。
結果はどうだったの？やっぱりLLMすごいのかな？
ランダム選択よりは速く最適解に到達するけど、GP-EIには多くのタスクで及ばなかった。
あら、意外。でも、候補の提示方法やモデルによって性能が変わるって書いてあったけど、どういうこと？
例えば、候補をリストで与えるか、自然言語で説明するかで結果が変わる。モデルによっても得意不得意があるみたい。
ふーん。じゃあ、LLMは補助的なシグナルとして使うのが良さそうってこと？
うん、論文でもそう言ってる。でも、信頼性には課題があるって指摘してる。
なるほどね。でも、LLMが材料探索に使えるって面白いね。私も将来使ってみたいな。
ただ、過信は禁物だよ。まだ実験計画の代わりにはならない。
はいはい、わかってるよ。でも、もしLLMが完璧だったら、智也くんの仕事もなくなっちゃうかもね？
それなら、君の実験も手伝ってもらうよ。