論文の概要: Hierarchically Encapsulated Representation for Protocol Design in Self-Driving Labs
- arxiv url: http://arxiv.org/abs/2504.03810v1
- Date: Fri, 04 Apr 2025 12:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 14:10:13.633422
- Title: Hierarchically Encapsulated Representation for Protocol Design in Self-Driving Labs
- Title（参考訳）: 自動運転研究所におけるプロトコル設計のための階層的カプセル化表現
- Authors: Yu-Zhe Shi, Mingchen Liu, Fanxu Meng, Qiao Xu, Zhangqian Bi, Kun He, Lecheng Ruan, Qining Wang,
- Abstract要約: 自動運転研究所は、人間の実験者に代わって、単一の実験技術や所定の実験プロトコルを実行するようになった。
プロトコル設計の自動化への取り組みは始まっているが、知識に基づく機械設計者の能力は十分に発揮されていない。
本稿では,インスタンスアクション,一般化操作,製品フローモデルなどを階層的にカプセル化する多面的マルチスケール表現を提案する。
- 参考スコア（独自算出の注目度）: 8.340267449839681
- License:
- Abstract: Self-driving laboratories have begun to replace human experimenters in performing single experimental skills or predetermined experimental protocols. However, as the pace of idea iteration in scientific research has been intensified by Artificial Intelligence, the demand for rapid design of new protocols for new discoveries become evident. Efforts to automate protocol design have been initiated, but the capabilities of knowledge-based machine designers, such as Large Language Models, have not been fully elicited, probably for the absence of a systematic representation of experimental knowledge, as opposed to isolated, flatten pieces of information. To tackle this issue, we propose a multi-faceted, multi-scale representation, where instance actions, generalized operations, and product flow models are hierarchically encapsulated using Domain-Specific Languages. We further develop a data-driven algorithm based on non-parametric modeling that autonomously customizes these representations for specific domains. The proposed representation is equipped with various machine designers to manage protocol design tasks, including planning, modification, and adjustment. The results demonstrate that the proposed method could effectively complement Large Language Models in the protocol design process, serving as an auxiliary module in the realm of machine-assisted scientific exploration.
- Abstract（参考訳）: 自動運転研究所は、人間の実験者に代わって、単一の実験技術や所定の実験プロトコルを実行するようになった。
しかし、科学研究におけるアイデア反復のペースが人工知能によって強化されるにつれて、新しい発見のための新しいプロトコルの迅速な設計の需要が明らかになってきた。
プロトコル設計の自動化への取り組みは始まっているが、Large Language Modelsのような知識ベースの機械設計者の能力は、おそらく独立したフラットな情報ではなく、実験的な知識の体系的な表現が欠如していることから、完全には引き出されていない。
この問題に対処するため,ドメイン特化言語を用いてインスタンスアクション,一般化操作,製品フローモデルを階層的にカプセル化する多面的マルチスケール表現を提案する。
さらに、これらの表現を特定のドメインに対して自律的にカスタマイズする非パラメトリックモデリングに基づくデータ駆動アルゴリズムを開発した。
提案した表現は、計画、修正、調整を含むプロトコル設計タスクを管理するための様々な機械設計装置を備えている。
提案手法は,機械支援科学探査の領域において補助的なモジュールとして機能し,プロトコル設計プロセスにおいて大規模言語モデルを効果的に補完できることを示す。
関連論文リスト
- Designing Reliable Experiments with Generative Agent-Based Modeling: A Comprehensive Guide Using Concordia by Google DeepMind [39.96801170116895]
Generative Agent-Based Modeling (GABM)は、AI駆動エージェントが複雑な振る舞いを生成できるシミュレーションを作成することができる。
本稿では,GABMを用いた信頼性実験を設計するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-11T14:45:08Z) - Implementation and Application of an Intelligibility Protocol for Interaction with an LLM [0.9187505256430948]
我々の関心は、機械学習エンジンと対話する人間-専門家を含む対話型システムの構築である。
これは、科学、環境、医学などにおける複雑な問題に対処する場合に関係している。
本稿では,汎用実装のアルゴリズム記述と,その利用に関する予備実験を2つの異なる領域で実施する。
論文 参考訳（メタデータ） (2024-10-27T21:20:18Z) - MLR-Copilot: Autonomous Machine Learning Research based on Large Language Models Agents [10.86017322488788]
大規模言語モデルを用いた自律型機械学習研究(MLR-Copilot)を提案する。
大規模言語モデル(LLM)エージェントを用いた研究アイデアの自動生成と実装を通じて、機械学習研究の生産性を向上させるように設計されている。
我々は,5つの機械学習研究課題に関するフレームワークを評価し,研究の進展とイノベーションを促進するためのフレームワークの可能性を示す実験結果を示した。
論文 参考訳（メタデータ） (2024-08-26T05:55:48Z) - A Survey on Model MoErging: Recycling and Routing Among Specialized Experts for Collaborative Learning [136.89318317245855]
MoErgingは、専門家のモデルをリサイクルして、パフォーマンスや一般化を改善した集約システムを構築することを目的としている。
MoErgingメソッドの重要なコンポーネントは、特定の入力やアプリケーションに使用する専門家モデルを決定するルータの作成である。
このサーベイには、キーデザインの選択をカタログ化し、各手法に適した適用方法を明確にするための新しい分類が含まれている。
論文 参考訳（メタデータ） (2024-08-13T17:49:00Z) - Learning Transferable Conceptual Prototypes for Interpretable
Unsupervised Domain Adaptation [79.22678026708134]
本稿では,Transferable Prototype Learning (TCPL) という,本質的に解釈可能な手法を提案する。
この目的を達成するために、ソースドメインからターゲットドメインにカテゴリの基本概念を転送する階層的なプロトタイプモジュールを設計し、基礎となる推論プロセスを説明するためにドメイン共有プロトタイプを学習する。
総合的な実験により,提案手法は有効かつ直感的な説明を提供するだけでなく,従来の最先端技術よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-12T06:36:41Z) - 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) - 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) - Uni-Perceiver: Pre-training Unified Architecture for Generic Perception
for Zero-shot and Few-shot Tasks [73.63892022944198]
我々はUni-Perceiverという汎用認識アーキテクチャを提案する。
様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。
その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
論文 参考訳（メタデータ） (2021-12-02T18:59:50Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Integrated Benchmarking and Design for Reproducible and Accessible
Evaluation of Robotic Agents [61.36681529571202]
本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。
このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。
本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
論文 参考訳（メタデータ） (2020-09-09T15:31:29Z) - Exploratory Experiments on Programming Autonomous Robots in Jadescript [0.0]
本稿ではエージェント指向プログラミング言語を用いた自律型ロボットのプログラミングの可能性を検証する実験について述べる。
エージェント指向プログラミングパラダイムは、イベントの処理やアクチュエータのコマンドに言語レベルの抽象化を提供するため、関連性がある。
Jadescriptと呼ばれる最近のエージェント指向プログラミング言語は、イベントを処理するために特別に設計された新機能とともに、この論文で紹介されている。
論文 参考訳（メタデータ） (2020-07-23T01:31:46Z)
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。