論文の概要: SasAgent: Multi-Agent AI System for Small-Angle Scattering Data Analysis

• arxiv url: http://arxiv.org/abs/2509.05363v1
• Date: Thu, 04 Sep 2025 02:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.462908
• Title: SasAgent: Multi-Agent AI System for Small-Angle Scattering Data Analysis
• Title（参考訳）: SasAgent: 小型散乱データ解析のためのマルチエージェントAIシステム
• Authors: Lijie Ding, Changwoo Do,
• Abstract要約: SasAgentは、大規模言語モデル(LLM)を利用したマルチエージェントAIシステムである。 SasViewソフトウェアからのツールを活用することで,SAS(小角散乱)データ解析を自動化する。 ユーザフレンドリーなGradioベースのインターフェースは、ユーザアクセシビリティを向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce SasAgent, a multi-agent AI system powered by large language models (LLMs) that automates small-angle scattering (SAS) data analysis by leveraging tools from the SasView software and enables user interaction via text input. SasAgent features a coordinator agent that interprets user prompts and delegates tasks to three specialized agents for scattering length density (SLD) calculation, synthetic data generation, and experimental data fitting. These agents utilize LLM-friendly tools to execute tasks efficiently. These tools, including the model data tool, Retrieval-Augmented Generation (RAG) documentation tool, bump fitting tool, and SLD calculator tool, are derived from the SasView Python library. A user-friendly Gradio-based interface enhances user accessibility. Through diverse examples, we demonstrate SasAgent's ability to interpret complex prompts, calculate SLDs, generate accurate scattering data, and fit experimental datasets with high precision. This work showcases the potential of LLM-driven AI systems to streamline scientific workflows and enhance automation in SAS research.
• Abstract（参考訳）: 我々は,大規模言語モデル(LLM)を利用した多エージェントAIシステムであるSasAgentを紹介し,SasViewソフトウェアからのツールを活用し,テキスト入力によるユーザインタラクションを実現することで,SASデータ解析を自動化する。 SasAgentは、ユーザプロンプトを解釈し、タスクを散乱長密度(SLD)計算、合成データ生成、実験データ適合のための3つの特殊エージェントに委譲するコーディネータエージェントを備えている。 これらのエージェントは、LLMフレンドリーなツールを使用してタスクを効率的に実行します。 モデルデータツール、Retrieval-Augmented Generation (RAG)ドキュメンテーションツール、バンプフィッティングツール、SLD電卓ツールを含むこれらのツールは、SassView Pythonライブラリから派生している。 ユーザフレンドリーなGradioベースのインターフェースは、ユーザアクセシビリティを向上させる。 多様な例を通して、複雑なプロンプトを解釈し、SLDを計算し、正確な散乱データを生成し、実験データセットを高精度に適合させるSasAgentの能力を実証する。 この研究は、科学ワークフローを効率化し、SAS研究における自動化を強化するLLM駆動型AIシステムの可能性を示す。

関連論文リスト

• Procedural Environment Generation for Tool-Use Agents [55.417058694785325]
  我々はRandomWorldを紹介した。これは対話型ツールと合成ツール利用データの手続き的生成のためのパイプラインである。 我々は,SFTとRLによるRandomWorldの合成データによるモデル調整により,様々なツール使用ベンチマークが改良されたことを示す。
  論文  参考訳（メタデータ） (2025-05-21T14:10:06Z)
• DatawiseAgent: A Notebook-Centric LLM Agent Framework for Automated Data Science [4.1431677219677185]
  DatawiseAgentはノートブック中心のエージェントフレームワークで、ユーザ、エージェント、計算環境間のインタラクションを統合する。 DSFライクな計画、インクリメンタルな実行、自己老化、ポストフィルタの4つのステージを編成する。 一貫して、複数のモデル設定で最先端のメソッドを上回るか、マッチする。
  論文  参考訳（メタデータ） (2025-03-10T08:32:33Z)
• PlotGen: Multi-Agent LLM-based Scientific Data Visualization via Multimodal Feedback [47.79080056618323]
  PlotGenは、精密な科学的可視化を作成することを目的とした、新しいマルチエージェントフレームワークである。 PlotGenは複数のオーケストレーションを行う。 ブレークするクエリプランニングエージェントを含む、検索エージェント。 複雑なユーザリクエストを実行可能コードにダウンします。 回収フィードバックエージェント 実験によると、PlotGenは強力なベースラインよりも優れており、MateBenchデータセットで46%改善されている。
  論文  参考訳（メタデータ） (2025-02-03T02:00:29Z)
• Small Agent Can Also Rock! Empowering Small Language Models as Hallucination Detector [114.88975874411142]
  幻覚検出は大規模言語モデル(LLM)にとって難しい課題である 本稿では,HluAgentと呼ばれる自律型LLMエージェントフレームワークを提案する。 HaluAgentでは、LLM、多機能ツールボックスを統合し、きめ細かい3段階検出フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-06-17T07:30:05Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)
• RS-Agent: Automating Remote Sensing Tasks through Intelligent Agent [15.836845304125436]
  RS-Agentは、人間のユーザーと対話し、専門的なモデルを自律的に活用するように設計されたAIエージェントである。 RS-Agentは、大きな言語モデルに基づく中央コントローラ、ツール実行のための動的ツールキット、タスク固有のエキスパートガイダンスのためのソリューションスペース、ドメインレベルの推論のための知識スペースの4つの重要なコンポーネントを統合している。 9つのデータセットと18のリモートセンシングタスクにわたる大規模な実験により、RS-Agentは最先端のMLLMよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T09:30:02Z)

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。