論文の概要: AutoSciLab: A Self-Driving Laboratory For Interpretable Scientific Discovery
- arxiv url: http://arxiv.org/abs/2412.12347v1
- Date: Mon, 16 Dec 2024 20:41:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:56:47.990400
- Title: AutoSciLab: A Self-Driving Laboratory For Interpretable Scientific Discovery
- Title（参考訳）: AutoSciLab:科学的な発見を解釈できる自動運転ラボ
- Authors: Saaketh Desai, Sadhvikas Addamane, Jeffrey Y. Tsao, Igal Brener, Laura P. Swiler, Remi Dingreville, Prasad P. Iyer,
- Abstract要約: AutoSciLabは、自律的な科学実験を駆動するための機械学習フレームワークである。
これは高次元空間における科学的発見を目的とした代理研究者を形成する。
オープンエンドなナノフォトニクスの課題に私たちのフレームワークを適用することで、AutoSciLabは、非コヒーレント発光を誘導する根本的に新しい方法を発見しました。
- 参考スコア（独自算出の注目度）: 1.1740681158785793
- License:
- Abstract: Advances in robotic control and sensing have propelled the rise of automated scientific laboratories capable of high-throughput experiments. However, automated scientific laboratories are currently limited by human intuition in their ability to efficiently design and interpret experiments in high-dimensional spaces, throttling scientific discovery. We present AutoSciLab, a machine learning framework for driving autonomous scientific experiments, forming a surrogate researcher purposed for scientific discovery in high-dimensional spaces. AutoSciLab autonomously follows the scientific method in four steps: (i) generating high-dimensional experiments (x \in R^D) using a variational autoencoder (ii) selecting optimal experiments by forming hypotheses using active learning (iii) distilling the experimental results to discover relevant low-dimensional latent variables (z \in R^d, with d << D) with a 'directional autoencoder' and (iv) learning a human interpretable equation connecting the discovered latent variables with a quantity of interest (y = f(z)), using a neural network equation learner. We validate the generalizability of AutoSciLab by rediscovering a) the principles of projectile motion and b) the phase transitions within the spin-states of the Ising model (NP-hard problem). Applying our framework to an open-ended nanophotonics challenge, AutoSciLab uncovers a fundamentally novel method for directing incoherent light emission that surpasses the current state-of-the-art (Iyer et al. 2023b, 2020).
- Abstract（参考訳）: ロボット制御とセンシングの進歩は、高速な実験が可能な自動科学実験室の台頭を促している。
しかしながら、自動化された科学実験室は、高次元空間における実験を効率的に設計し解釈する能力において、人間の直感によって制限されている。
本稿では,自律的な科学実験を駆動する機械学習フレームワークであるAutoSciLabについて紹介する。
AutoSciLabは、4つのステップで科学的手法を自律的に追跡する。
(i)変分オートエンコーダを用いた高次元実験(x \in R^D)の作成
二 能動学習を用いた仮説形成による最適実験の選択
三 実験結果を蒸留して「方向性自己エンコーダ」を用いて、関連する低次元潜伏変数(z \in R^d、d<<D)を発見すること。
(4)ニューラルネットワーク方程式学習器を用いて,検出した潜伏変数と興味量(y = f(z))を連結する人間の解釈可能な方程式を学習する。
再発見によるAutoSciLabの一般化可能性の検証
a)射影運動の原理と
b) イジングモデル(NP-ハード問題)のスピン状態内の相転移
オープンエンドのナノフォトニクスの課題に私たちのフレームワークを適用することで、AutoSciLabは、現在の最先端(Iyer et al 2023b, 2020)を超える非コヒーレント発光を誘導する、根本的に新しい方法を発見しました。
関連論文リスト
- Agents for self-driving laboratories applied to quantum computing [2.840384720502993]
本稿では,実験者の実験知識の組織化とエージェントによる実験の自動化を支援するため,k-agentsフレームワークを提案する。
本フレームワークでは,実験結果の分析方法を含む実験室の知識をカプセル化するために,大規模言語モデルに基づくエージェントを用いている。
実験を自動化するために,複数ステップの実験手順をステートマシンに分割し,他のエージェントと対話して各ステップの実行を行い,実験結果を解析する実行エージェントを導入する。
論文 参考訳（メタデータ） (2024-12-10T23:30:44Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。
本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。
我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文 参考訳（メタデータ） (2024-02-16T18:05:09Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。
GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。
我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文 参考訳（メタデータ） (2023-02-01T17:29:43Z) - Predicting Real-time Scientific Experiments Using Transformer models and
Reinforcement Learning [0.0]
本稿では,リアルタイム科学実験をシミュレートするTransformerモデルに基づくエンコーダデコーダアーキテクチャを提案する。
概念実証として、このアーキテクチャは化学反応によって生じる振動に一連の機械的入力をマッピングするように訓練された。
本研究は, 学習者がリアルタイムな科学実験をモデル化し, ユーザが操作する時間によってどのように変化するかを示すものである。
論文 参考訳（メタデータ） (2022-04-25T15:19:25Z) - SIERRA: A Modular Framework for Research Automation [5.220940151628734]
本稿では,研究の加速と成果向上のための新しいフレームワークであるSIERRAを紹介する。
SIERRAは、実験用の独立変数を素早く指定し、実験的な入力を生成し、実験を自動的に実行し、結果を処理してグラフやビデオなどの成果物を生成する。
個々の研究者のニーズに対して、簡単にカスタマイズと自動化の拡張を可能にする、深くモジュール化されたアプローチを採用している。
論文 参考訳（メタデータ） (2022-03-03T23:45:46Z) - Autonomous Materials Discovery Driven by Gaussian Process Regression
with Inhomogeneous Measurement Noise and Anisotropic Kernels [1.976226676686868]
実験分野の大半は、新しい科学的発見を探すために、大規模で高次元のパラメータ空間を探索するという課題に直面している。
近年の進歩により、探査プロセスの自動化が進み、材料発見の効率が向上した。
ガンマプロセス回帰(GPR)技術は多くの種類の実験を操る方法として登場した。
論文 参考訳（メタデータ） (2020-06-03T19:18:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。