論文の概要: Agentic Exploration of Physics Models

• arxiv url: http://arxiv.org/abs/2509.24978v2
• Date: Tue, 30 Sep 2025 08:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.889359
• Title: Agentic Exploration of Physics Models
• Title（参考訳）: 物理モデルのエージェント探索
• Authors: Maximilian Nägele, Florian Marquardt,
• Abstract要約: 我々はSciExplorerを紹介した。SciExplorerはドメイン固有のブループリントを使わずにシステムの自由な形態の探索を可能にするエージェントである。 我々はSciExplorerを、力学力学系、波動進化、量子多体物理学にまたがる幅広いモデルでテストする。 この設定の実証された有効性は、他の領域における同様の科学的探索への扉を開く。
• 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: The process of scientific discovery relies on an interplay of observations, analysis, and hypothesis generation. Machine learning is increasingly being adopted to address individual aspects of this process. However, it remains an open challenge to fully automate the open-ended, heuristic, iterative loop required to discover the laws of an unknown system by exploring it through experiments and analysis, without tailoring the approach to the specifics of a given task. Here, we introduce SciExplorer, an agent that leverages large language model tool-use capabilities to enable free-form exploration of systems without any domain-specific blueprints, and apply it to the exploration of physical systems that are initially unknown to the agent. We test SciExplorer on a broad set of models spanning mechanical dynamical systems, wave evolution, and quantum many-body physics. Despite using a minimal set of tools, primarily based on code execution, we observe impressive performance on tasks such as recovering equations of motion from observed dynamics and inferring Hamiltonians from expectation values. The demonstrated effectiveness of this setup opens the door towards similar scientific exploration in other domains, without the need for finetuning or task-specific instructions.
• Abstract（参考訳）: 科学的発見の過程は、観察、分析、仮説生成の相互作用に依存する。 このプロセスの個々の側面に対処するために、機械学習がますます採用されている。 しかし、あるタスクの特定の部分へのアプローチを調整することなく、実験や分析を通じて未知のシステムの法則を探索することで、未知のシステムの法則を発見するのに必要な、オープンでヒューリスティックで反復的なループを完全に自動化することは、依然としてオープンな課題である。 本稿では、SciExplorerについて紹介する。SciExplorerは、大規模言語モデルツールを利用するエージェントで、ドメイン固有の青写真のないシステムの自由形式の探索を可能にする。 我々はSciExplorerを、力学力学系、波動進化、量子多体物理学にまたがる幅広いモデルでテストする。 主にコード実行に基づく最小限のツールセットを使用するにもかかわらず、観察されたダイナミックスから運動方程式を回復したり、期待値からハミルトニアンを推定したりするといったタスクにおいて、印象的なパフォーマンスを観察する。 この設定の実証された有効性は、微調整やタスク固有の指示を必要とせず、他の領域での同様の科学的探索への扉を開く。

関連論文リスト

• Self-Supervised Evolution Operator Learning for High-Dimensional Dynamical Systems [24.014942930679855]
  非スケールな力学系の進化演算子を学習するためのエンコーダのみのアプローチを導入する。 ホストサイトの小さなタンパク質の折りたたみ力学を説明し、気候データのパターンを自律的に発見する。
  論文  参考訳（メタデータ） (2025-05-24T12:18:19Z)
• Automated Discovery of Operable Dynamics from Videos [4.690264156292023]
  本稿では,システムダイナミクスの低次元かつ操作可能な表現を自動的に検出するフレームワークを提案する。 結果は、自動科学的発見を前進させるデータ駆動アプローチの可能性を強調します。
  論文  参考訳（メタデータ） (2024-10-14T03:37:02Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding Object Articulations from Interactions [62.510951695174604]
  The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。 提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。 我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
  論文  参考訳（メタデータ） (2022-10-22T18:39:33Z)
• Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian Processes to Hypothesis Learning [0.0]
  ベイズ能動学習の基本原理と走査型プローブ顕微鏡(SPM)への応用について述べる。 これらのフレームワークは、先行データの使用、スペクトルデータに符号化された特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
  論文  参考訳（メタデータ） (2022-05-30T23:01:41Z)
• Learning dynamics from partial observations with structured neural ODEs [5.757156314867639]
  本稿では,ニューラルODEに基づくシステム識別に関する幅広い物理的知見を取り入れたフレキシブルなフレームワークを提案する。 本稿では,ロボット外骨格を用いた数値シミュレーションおよび実験データセットにおける提案手法の性能について述べる。
  論文  参考訳（メタデータ） (2022-05-25T07:54:10Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Hierarchically Organized Latent Modules for Exploratory Search in Morphogenetic Systems [21.23182328329019]
  多様な表現の階層の教師なし学習を可能にする新しい動的・モジュラーアーキテクチャを導入する。 本システムは,ユーザの嗜好に対して効率よく多様性探索を適応できる発見アシスタントを構築できることを示す。
  論文  参考訳（メタデータ） (2020-07-02T15:28:27Z)

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。