論文の概要: Scaling Environments for Organoid Intelligence with LLM-Automated Design and Plasticity-Based Evaluation

• arxiv url: http://arxiv.org/abs/2509.04633v1
• Date: Thu, 04 Sep 2025 19:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.399373
• Title: Scaling Environments for Organoid Intelligence with LLM-Automated Design and Plasticity-Based Evaluation
• Title（参考訳）: LLM自動設計によるオルガノイドインテリジェンスのスケーリング環境と塑性評価
• Authors: Brennen Hill,
• Abstract要約: 本稿では,オルガノイドをベースとした生物エージェントの訓練を目的とした,スケーラブルでクローズドループな3つの仮想環境を提案する。 電気生理学的,細胞,分子レベルでシナプス可塑性を測定することによって学習を評価するためのマルチモーダルアプローチについて概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the complexity of artificial agents increases, the design of environments that can effectively shape their behavior and capabilities has become a critical research frontier. We propose a framework that extends this principle to a novel class of agents: biological neural networks in the form of neural organoids. This paper introduces three scalable, closed-loop virtual environments designed to train organoid-based biological agents and probe the underlying mechanisms of learning, such as long-term potentiation (LTP) and long-term depression (LTD). We detail the design of three distinct task environments with increasing complexity: (1) a conditional avoidance task, (2) a one-dimensional predator-prey scenario, and (3) a replication of the classic Pong game. For each environment, we formalize the state and action spaces, the sensory encoding and motor decoding mechanisms, and the feedback protocols based on predictable (reward) and unpredictable (punishment) stimulation. Furthermore, we propose a novel meta-learning approach where a Large Language Model (LLM) is used to automate the generation and optimization of experimental protocols, scaling the process of environment and curriculum design. Finally, we outline a multi-modal approach for evaluating learning by measuring synaptic plasticity at electrophysiological, cellular, and molecular levels. This work bridges the gap between computational neuroscience and agent-based AI, offering a unique platform for studying embodiment, learning, and intelligence in a controlled biological substrate.
• Abstract（参考訳）: 人工エージェントの複雑さが増大するにつれて、その行動と能力を効果的に形成できる環境の設計が重要な研究フロンティアとなっている。 本稿では、この原理を神経オルガノイドの形で生物学的ニューラルネットワークという新しい種類のエージェントに拡張する枠組みを提案する。 本稿では,オルガノイドをベースとした生物エージェントを訓練し,長期増強(LTP)や長期うつ病(LTD)などの学習メカニズムを解明するための,スケーラブルでクローズドループな3つの仮想環境を提案する。 本研究では,(1)条件付き回避タスク,(2)1次元の捕食者・捕食シナリオ,(3)古典Pongゲームの再現という3つの異なるタスク環境の設計について詳述する。 各環境に対して、状態と行動空間、感覚符号化と運動復号機構、および予測可能な(逆)および予測不可能な(罰)刺激に基づくフィードバックプロトコルを定式化する。 さらに,大規模言語モデル(LLM)を用いて,実験プロトコルの生成と最適化,環境およびカリキュラム設計のプロセスのスケールアップを行う,新しいメタラーニング手法を提案する。 最後に,電気生理学的,細胞,分子レベルでシナプス可塑性を測定することによって学習を評価するためのマルチモーダルアプローチについて概説する。 この研究は、計算神経科学とエージェントベースのAIのギャップを埋め、制御された生物学的基質における実施、学習、知性を研究するためのユニークなプラットフォームを提供する。

関連論文リスト

• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
  環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-19T17:33:31Z)
• Social World Model-Augmented Mechanism Design Policy Learning [58.739456918502704]
  SWM-AP (Social World Model-Augmented Mechanism Design Policy Learning) を導入する。 SWM-APは,累積報酬とサンプル効率において,モデルベースおよびモデルフリーのRLベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-22T06:01:21Z)
• Context and Diversity Matter: The Emergence of In-Context Learning in World Models [29.11472920301122]
  本研究では,文脈内環境学習(ICEL)について検討し,ゼロショット性能から世界モデルの成長と限界へ注目を移す。 我々は,(1)世界モデルの文脈内学習を形式化し,環境認識と環境学習という2つの中核的なメカニズムを同定し,(2)そのメカニズムの出現を露呈する2つのメカニズムのエラー上限を導出する,(3)世界モデルに異なるICL機構が存在することを実証的に確認する,という3つの貢献である。
  論文  参考訳（メタデータ） (2025-09-26T13:50:32Z)
• Simulating Biological Intelligence: Active Inference with Experiment-Informed Generative Model [2.003941363902692]
  実施エージェントの意思決定をモデル化するための,能動的推論に根ざしたフレームワークを提案する。 実験インフォームド生成モデルを用いて,シミュレーションゲーム環境における意思決定過程をシミュレートする。 知的意思決定における記憶に基づく学習と予測計画の役割について考察した。
  論文  参考訳（メタデータ） (2025-08-09T13:26:38Z)
• Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [58.58177409853298]
  大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。 この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。 本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:05:34Z)
• Predictive Learning in Energy-based Models with Attractor Structures [5.542697199599134]
  本稿では、エネルギーベースモデル(EBM)を用いて、ニューラルシステム内の動作後の観測を予測するための微妙なプロセスをキャプチャするフレームワークを提案する。 実験による評価では,様々なシナリオにまたがって有効性を示す。
  論文  参考訳（メタデータ） (2025-01-23T11:04:25Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Dendritic Localized Learning: Toward Biologically Plausible Algorithm [41.362676232853765]
  バックプロパゲーションはニューラルネットワークのトレーニングの基礎であり、ディープラーニングの成功の重要な要因である。 バックプロパゲーションは、重み対称性、大域的エラー信号への依存、訓練の二重相の性質の3つの主要な制限により、難題となっている。 本稿では,これらの課題を克服するための新しい学習アルゴリズムであるDendritic Localized Learning (DLL)を提案する。
  論文  参考訳（メタデータ） (2025-01-17T06:35:20Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective [2.61072980439312]
  内部世界モデルを開発するためのフォーマリズムの開発は、人工知能と機械学習の分野における重要な研究課題である。 この論文は、状態空間モデルを内部世界モデルとして広く用いられることによるいくつかの制限を識別する。 形式主義におけるモデルの構造は、信念の伝播を用いた正確な確率的推論を促進するとともに、時間を通してのバックプロパゲーションによるエンドツーエンドの学習を促進する。 これらの形式主義は、世界の状態における不確実性の概念を統合し、現実世界の性質をエミュレートし、その予測の信頼性を定量化する能力を向上させる。
  論文  参考訳（メタデータ） (2024-04-24T12:41:04Z)
• Dynamic planning in hierarchical active inference [0.0]
  人間の脳が認知決定に関連する運動軌跡を推論し、導入する能力について述べる。 本研究では,アクティブ推論における動的計画の話題に焦点を当てた。
  論文  参考訳（メタデータ） (2024-02-18T17:32:53Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Towards the Neuroevolution of Low-level Artificial General Intelligence [5.2611228017034435]
  我々は、AI(Artificial General Intelligence, AGI)の検索は、人間レベルの知能よりもはるかに低いレベルから始まるべきだと論じる。 我々の仮説は、エージェントが環境の中で行動するとき、学習は感覚フィードバックによって起こるというものである。 環境反応から学習する生物学的にインスパイアされた人工ニューラルネットワークを進化させる手法を評価する。
  論文  参考訳（メタデータ） (2022-07-27T15:30:50Z)
• Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
  Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。 本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-17T12:10:26Z)
• Physics-Informed Neural State Space Models via Learning and Evolution [1.1086440815804224]
  システム同定のためのニューラル状態空間力学モデルの検出法について検討する。 モデル選択と最適化を交互に行う非同期な遺伝的探索アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2020-11-26T23:35:08Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。