LLM-Guided Open Hypothesis Learning from Autonomous Scanning Probe Microscopy Experiments
Cet article présente un cadre de microscopie à sonde locale autonome qui intègre la régression symbolique avec des modèles de langage de grande taille pour générer et évaluer de nouvelles hypothèses physiques à partir de données expérimentales éparses, découvrant avec succès des lois de croissance interprétables en fonction du temps et de la tension pour l'inversion des domaines ferroélectriques sans modèles pré-spécifiés.