従来の科学的LLM（Galactica・ChemBERTa・SciBERT等）は論文テキストから事前学習された「知識検索型」であり、実験結果からのリアルタイム推論は弱かった。限られた実験データ（n=10〜50）から次の最優先実験を推薦する能力が特に不足していた。
→ （実験条件 → 結果 → 次の実験デザイン）のトリプレット形式で実験者の動的推論を学習
2.3M件の実験記録（化学・生物学・材料科学）を標準化し、Llama 3.1 / Mistral-7BベースのLLMをファインチューニング。
DESROの「次実験推薦」はBayesian最適化・Active Learningと同じ問題設定だが、実験記録の文脈的連鎖をLLMが統合的に解釈する点が根本的に異なる。
| 手法 | 文脈統合 | 少量データ |
|---|---|---|
| Bayesian最適化 | △（定量モデル） | △ |
| Active Learning | △（不確実性） | △ |
| DESRO | ◎（LLM推論） | ◎ n=10〜50 |
特に限られた実験データ（n=10〜50）での推薦タスクでベイズ最適化を大幅に上回った
各記録: （実験条件→観測結果→次実験デザイン）のトリプレット形式で標準化
| タスク | ドメイン |
|---|---|
| 有機合成の最適条件探索 | 化学 |
| タンパク質変異の効果予測 | 生物学 |
| 新材料組成探索 | 材料科学 |
| 次の最優先実験推薦（n=10〜50） | 全ドメイン |