論文の概要: Newton to Einstein: Axiom-Based Discovery via Game Design

• arxiv url: http://arxiv.org/abs/2509.05448v1
• Date: Fri, 05 Sep 2025 18:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.515433
• Title: Newton to Einstein: Axiom-Based Discovery via Game Design
• Title（参考訳）: Newton to Einstein: ゲームデザインによる公理ベースの発見
• Authors: Pingchuan Ma, Benjamin Tod Jones, Tsun-Hsuan Wang, Minghao Guo, Michal Piotr Lipiec, Chuang Gan, Wojciech Matusik,
• Abstract要約: 本稿では,ルール進化システムとして科学調査を再放送するゲームデザインフレームワークを提案する。 固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は新たな理論構造の発見を可能にする。
• 参考スコア（独自算出の注目度）: 55.30047000068118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This position paper argues that machine learning for scientific discovery should shift from inductive pattern recognition to axiom-based reasoning. We propose a game design framework in which scientific inquiry is recast as a rule-evolving system: agents operate within environments governed by axioms and modify them to explain outlier observations. Unlike conventional ML approaches that operate within fixed assumptions, our method enables the discovery of new theoretical structures through systematic rule adaptation. We demonstrate the feasibility of this approach through preliminary experiments in logic-based games, showing that agents can evolve axioms that solve previously unsolvable problems. This framework offers a foundation for building machine learning systems capable of creative, interpretable, and theory-driven discovery.
• Abstract（参考訳）: このポジションペーパーでは、科学的発見のための機械学習は帰納的パターン認識から公理に基づく推論に移行するべきであると論じている。 本稿では,科学調査をルール進化システムとして再放送するゲーム設計フレームワークを提案する。 固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は体系的な規則適応を通じて新しい理論構造を発見できる。 論理ゲームにおける予備的な実験を通じてこのアプローチの実現可能性を示し、エージェントがそれまで解決できなかった問題を解く公理を進化させることができることを示す。 このフレームワークは、創造的、解釈可能、理論駆動的な発見が可能な機械学習システムを構築する基盤を提供する。

関連論文リスト

• Active Inference AI Systems for Scientific Discovery [1.450405446885067]
  この観点では、進歩は抽象論、推論、経験的根拠の3つのギャップを互いに強化する。 デザイン原則は、想像空間を推論し、世界から学ぶシステムのために提案されている。
  論文  参考訳（メタデータ） (2025-06-26T14:43:04Z)
• Reconceptualizing Smart Microscopy: From Data Collection to Knowledge Creation by Multi-Agent Integration [0.0]
  我々は、科学的研究のパートナーとして、スマート顕微鏡を再認識する理論的枠組みを導入する。 我々のフレームワークは、仮説生成、洞察発見、理論開発を積極的にサポートする自動化を超えて、マイクロスコープシステムを構築するためのロードマップを提供する。
  論文  参考訳（メタデータ） (2025-05-26T19:02:14Z)
• The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
  大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。 本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。 我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
  論文  参考訳（メタデータ） (2024-05-24T07:41:26Z)
• 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)
• Mesarovician Abstract Learning Systems [0.0]
  学習への現在のアプローチは、根本的な規範として問題領域と課題タスクの概念を持っている。 メサロビアン抽象システム理論は学習の超構造として用いられる。
  論文  参考訳（メタデータ） (2021-11-29T18:17:32Z)
• Observing Interventions: A logic for thinking about experiments [62.997667081978825]
  本稿では,実験から学ぶ論理への第一歩について述べる。 我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。 提案された全ての論理系に対して、健全で完全な公理化を提供する。
  論文  参考訳（メタデータ） (2021-11-25T09:26:45Z)
• Formalising Concepts as Grounded Abstractions [68.24080871981869]
  このレポートは、表現学習が生データから概念を誘導する方法を示しています。 このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
  論文  参考訳（メタデータ） (2021-01-13T15:22:01Z)
• Physics guided machine learning using simplified theories [0.0]
  機械学習、特にディープラーニングの最近の応用は、物理科学における統計推論アプローチの汎用性に対処する必要性を動機付ける。 このようなデータ駆動予測エンジンの精度を向上させるために,モジュール型物理誘導機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-18T21:30:40Z)
• Formalizing Falsification for Theories of Consciousness Across Computational Hierarchies [0.0]
  統合情報理論(IIT)は、意識の卓越した理論として広く見なされている。 展開論」という形での認識論的な問題は、IITの反感をもたらした。 IITが有限状態オートマトンレベルで同時にファルシフィケートされ、状態オートマトンレベルでは不可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-12T18:05:46Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。