論文の概要: MOSAIC: Multi-agent Orchestration for Task-Intelligent Scientific Coding
- arxiv url: http://arxiv.org/abs/2510.08804v1
- Date: Thu, 09 Oct 2025 20:35:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:47.78734
- Title: MOSAIC: Multi-agent Orchestration for Task-Intelligent Scientific Coding
- Title（参考訳）: MOSAIC:タスク・インテリジェント・サイエント・コーディングのためのマルチエージェントオーケストレーション
- Authors: Siddeshwar Raghavan, Tanwi Mallick,
- Abstract要約: MOSAICは訓練のないフレームワークで、特別に設計されたエージェントで、生徒-教師のパラダイム内で、自己表現し、合理性を作り、コードを作り、デバッグする。
我々はMOSAICを科学的符号化ベンチマークで評価し、我々の特殊エージェントフレームワークが既存の手法よりも精度、堅牢性、解釈可能性で優れていることを示した。
- 参考スコア（独自算出の注目度）: 5.470408942595905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present MOSAIC, a multi-agent Large Language Model (LLM) framework for solving challenging scientific coding tasks. Unlike general-purpose coding, scientific workflows require algorithms that are rigorous, interconnected with deep domain knowledge, and incorporate domain-specific reasoning, as well as algorithm iteration without requiring I/O test cases. Many scientific problems also require a sequence of subproblems to be solved, leading to the final desired result. MOSAIC is designed as a training-free framework with specially designed agents to self-reflect, create the rationale, code, and debug within a student-teacher paradigm to address the challenges of scientific code generation. This design facilitates stepwise problem decomposition, targeted error correction, and, when combined with our Consolidated Context Window (CCW), mitigates LLM hallucinations when solving complex scientific tasks involving chained subproblems. We evaluate MOSAIC on scientific coding benchmarks and demonstrate that our specialized agentic framework outperforms existing approaches in terms of accuracy, robustness, and interpretability.
- Abstract（参考訳）: 科学的なコーディング課題を解決するための多エージェント大規模言語モデル(LLM)フレームワークであるMOSAICを提案する。
汎用的なコーディングとは異なり、科学的ワークフローは厳密で深いドメイン知識と相互接続されたアルゴリズムと、I/Oテストケースを必要とせずに、ドメイン固有の推論とアルゴリズムの反復を必要とする。
多くの科学的問題もまた、解決するために一連のサブプロブレムを必要とし、最終的な望ましい結果をもたらす。
MOSAICは、科学的なコード生成の課題に対処するために、学生-教師のパラダイム内で、特別に設計されたエージェントを自己表現し、コードを作成し、デバッグするためのトレーニング不要のフレームワークとして設計されている。
この設計は、段階的に問題を分解し、ターゲットの誤り訂正を促進するとともに、連鎖したサブプロブレムを含む複雑な科学的タスクを解く際に、我々の統合コンテキストウィンドウ(CCW)と組み合わせることで、LLM幻覚を緩和する。
我々はMOSAICを科学的符号化ベンチマークで評価し、我々の特殊エージェントフレームワークが既存の手法よりも精度、堅牢性、解釈可能性で優れていることを示した。
関連論文リスト
- Re4: Scientific Computing Agent with Rewriting, Resolution, Review and Revision [4.55391222496256]
大規模言語モデル(LLM)は、生成人工知能の活発で有望な分野として機能する。
本研究では,科学計算における代表的問題を解くための新しいエージェント・フレームワークを構築する。
提案するエージェントは,「リライト・レゾリューション・リビジョン・リビジョン」論理的連鎖を取り入れ,協調的かつ対話的な方法で統合されている。
論文 参考訳（メタデータ） (2025-08-28T12:50:48Z) - Computational Thinking Reasoning in Large Language Models [69.28428524878885]
計算思考モデル(CTM)は、計算思考パラダイムを大規模言語モデル(LLM)に組み込んだ新しいフレームワークである。
ライブコード実行は推論プロセスにシームレスに統合され、CTMが計算によって考えることができる。
CTMは、精度、解釈可能性、一般化可能性の観点から、従来の推論モデルとツール拡張ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-03T09:11:15Z) - ModelingAgent: Bridging LLMs and Mathematical Modeling for Real-World Challenges [72.19809898215857]
ModelingBenchは、様々な領域にわたる数学モデリングの競争から、現実に着想を得たオープンエンドの問題を特徴付ける新しいベンチマークである。
これらのタスクには、自然言語を形式的な数学的定式化に翻訳し、適切なツールを適用し、構造化された防御可能なレポートを生成する必要がある。
ツール使用をコーディネートするマルチエージェントフレームワークである ModelingAgent も紹介します。
論文 参考訳（メタデータ） (2025-05-21T03:33:23Z) - Limits of Deep Learning: Sequence Modeling through the Lens of Complexity Theory [15.24542569393982]
彼らの成功にもかかわらず、ディープラーニングモデルは複雑な推論と機能構成を必要とするタスクに苦しむ。
本研究では,SSM(Structured State Space Models)とTransformer(Transformer)の制約に関する理論的および実証的研究を行う。
信頼性の高い多段階推論と構成課題解決を実現するための革新的なソリューションの必要性を強調した。
論文 参考訳（メタデータ） (2024-05-26T19:33:23Z) - Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。
これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。
実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
論文 参考訳（メタデータ） (2023-05-29T23:24:14Z)
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。