論文の概要: Steering an Active Learning Workflow Towards Novel Materials Discovery via Queue Prioritization

• arxiv url: http://arxiv.org/abs/2509.25538v1
• Date: Mon, 29 Sep 2025 21:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.34235
• Title: Steering an Active Learning Workflow Towards Novel Materials Discovery via Queue Prioritization
• Title（参考訳）: 待ち行列優先順位付けによる新しい材料発見に向けたアクティブラーニングワークフローのステアリング
• Authors: Marcus Schwarting, Logan Ward, Nathaniel Hudson, Xiaoli Yan, Ben Blaiszik, Santanu Chaudhuri, Eliu Huerta, Ian Foster,
• Abstract要約: 生成モデルとアクティブラーニングを組み合わせた待ち行列優先アルゴリズムを提案する。 トップデザイン候補の優先順位付けにアクティブラーニングモデルを組み込むことで、生成するAIワークフローが非意味な候補のリソースを浪費することを防ぐことができる。
• 参考スコア（独自算出の注目度）: 2.3320759218746674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI poses both opportunities and risks for solving inverse design problems in the sciences. Generative tools provide the ability to expand and refine a search space autonomously, but do so at the cost of exploring low-quality regions until sufficiently fine tuned. Here, we propose a queue prioritization algorithm that combines generative modeling and active learning in the context of a distributed workflow for exploring complex design spaces. We find that incorporating an active learning model to prioritize top design candidates can prevent a generative AI workflow from expending resources on nonsensical candidates and halt potential generative model decay. For an existing generative AI workflow for discovering novel molecular structure candidates for carbon capture, our active learning approach significantly increases the number of high-quality candidates identified by the generative model. We find that, out of 1000 novel candidates, our workflow without active learning can generate an average of 281 high-performing candidates, while our proposed prioritization with active learning can generate an average 604 high-performing candidates.
• Abstract（参考訳）: 生成AIは、科学における逆設計問題を解決する機会とリスクを兼ね備えている。 生成ツールは、検索空間を自律的に拡張および洗練する能力を提供するが、十分に微調整されるまで、低品質領域を探索するコストがかかる。 本稿では、複雑な設計空間を探索する分散ワークフローのコンテキストにおいて、生成モデリングとアクティブラーニングを組み合わせたキュー優先順位付けアルゴリズムを提案する。 トップデザイン候補の優先順位付けにアクティブラーニングモデルを組み込むことで、生成AIワークフローが非意味な候補のリソースを浪費することを防ぐことができ、生成モデル崩壊の可能性を抑えることができる。 炭素捕獲のための新しい分子構造候補を発見するための既存の生成AIワークフローにおいて、我々のアクティブラーニングアプローチは、生成モデルによって特定される高品質な候補の数を大幅に増加させる。 1000の新規候補のうち、アクティブラーニングなしのワークフローは平均281のハイパフォーマンス候補を生成できるのに対し、アクティブラーニングによる優先順位付けは平均604のハイパフォーマンス候補を生成できることがわかった。

関連論文リスト

• From Text to Talent: A Pipeline for Extracting Insights from Candidate Profiles [44.38380596387969]
  本稿では,大規模言語モデルとグラフ類似度を利用した新たなパイプラインを提案する。 提案手法は, 候補プロファイルをマルチモーダルな埋め込みとして表現し, 求人要件と候補属性の微妙な関係を捕捉する。
  論文  参考訳（メタデータ） (2025-03-21T16:18:44Z)
• Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance [95.03771007780976]
  我々は、人間の指示なしにタスクを予測および開始できるプロアクティブエージェントを開発するという課題に取り組む。 まず,実世界の人的活動を収集し,前向きなタスク予測を生成する。 これらの予測は、ヒトのアノテータによって受け入れられるか拒否されるかのどちらかとしてラベル付けされる。 ラベル付きデータは、人間の判断をシミュレートする報酬モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2024-10-16T08:24:09Z)
• ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
  この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。 ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。 ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
  論文  参考訳（メタデータ） (2024-09-02T17:44:10Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Reinforcement Learning for Generative AI: A Survey [36.81377741160619]
  この調査は、さまざまなアプリケーション領域にまたがるハイレベルなレビューに光を当てることを目的としています。 この領域では厳格な分類法を提供し、様々なモデルや応用について十分なカバレッジを提供している。 この調査は、現在のモデルの限界に対処し、生成AIのフロンティアを拡大する可能性のある潜在的方向を示すことで締めくくられる。
  論文  参考訳（メタデータ） (2023-08-28T06:15:14Z)
• Data Lifecycle Management in Evolving Input Distributions for Learning-based Aerospace Applications [23.84037777018747]
  本稿では,テスト入力のサブセットをラベルに選択することで,モデルを段階的に再学習するフレームワークを提案する。 本フレームワーク内のアルゴリズムは,(1)ミッション寿命を通してのモデル性能と(2)ラベル付けとモデル再訓練に関連する累積コストに基づいて評価される。
  論文  参考訳（メタデータ） (2022-09-14T18:15:56Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)

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。