論文の概要: The Station: An Open-World Environment for AI-Driven Discovery

• arxiv url: http://arxiv.org/abs/2511.06309v1
• Date: Sun, 09 Nov 2025 10:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.879842
• Title: The Station: An Open-World Environment for AI-Driven Discovery
• Title（参考訳）: ステーション:AI駆動ディスカバリのためのオープンワールド環境
• Authors: Stephen Chung, Wenyu Du,
• Abstract要約: ミニチュア科学エコシステムをモデル化するオープンワールドマルチエージェント環境STATIONを紹介する。 ステーションのエージェントは、同僚から論文を読み、仮説を定式化し、コードを提出し、分析を行い、結果を公表するなど、長い科学的な旅をすることができる。 実験によると、ステーションのAIエージェントは、数学から計算生物学、機械学習まで、幅広いベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 14.556758955830796
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce the STATION, an open-world multi-agent environment that models a miniature scientific ecosystem. Leveraging their extended context windows, agents in the Station can engage in long scientific journeys that include reading papers from peers, formulating hypotheses, submitting code, performing analyses, and publishing results. Importantly, there is no centralized system coordinating their activities - agents are free to choose their own actions and develop their own narratives within the Station. Experiments demonstrate that AI agents in the Station achieve new state-of-the-art performance on a wide range of benchmarks, spanning from mathematics to computational biology to machine learning, notably surpassing AlphaEvolve in circle packing. A rich tapestry of narratives emerges as agents pursue independent research, interact with peers, and build upon a cumulative history. From these emergent narratives, novel methods arise organically, such as a new density-adaptive algorithm for scRNA-seq batch integration. The Station marks a first step towards autonomous scientific discovery driven by emergent behavior in an open-world environment, representing a new paradigm that moves beyond rigid optimization.
• Abstract（参考訳）: ミニチュア科学エコシステムをモデル化するオープンワールドマルチエージェント環境STATIONを紹介する。 拡張されたコンテキストウィンドウを利用することで、ステーションのエージェントは、同僚からの論文の読み込み、仮説の定式化、コードの提出、分析の実行、結果の公開などを含む長い科学的な旅をすることができる。 重要なことに、彼らの活動を調整する中央集権的なシステムは存在しない - エージェントは自由に自身の行動を選択し、ステーション内で自身の物語を開発することができる。 実験によると、ステーションのAIエージェントは、数学から計算生物学、機械学習まで、特にAlphaEvolveをはるかに上回る、幅広いベンチマークで、最先端のパフォーマンスを達成している。 エージェントが独立した研究を追求し、仲間と対話し、累積的な歴史の上に構築するにつれ、物語の豊富なタペストリーが出現する。 これらの創発的な物語から、scRNA-seqバッチ統合のための新しい密度適応アルゴリズムなど、新しい手法が有機的に生まれる。 ステーションは、オープンワールド環境における創発的な行動によって引き起こされる自律的な科学的発見への第一歩であり、厳格な最適化を超えた新しいパラダイムを表している。

関連論文リスト

• OdysseyArena: Benchmarking Large Language Models For Long-Horizon, Active and Inductive Interactions [66.84396313837765]
  我々はOdysseyArenaを紹介した。OdysseyArenaは、長期的、活動的、誘導的相互作用におけるエージェント評価を再中心化する。 エージェントの誘導効率と長期発見を測る120のタスクセットを提供する。 また,OdysseyArena-Challengeを極端相互作用地平線上での応力-試験剤の安定性について紹介する。
  論文  参考訳（メタデータ） (2026-02-05T16:31:43Z)
• Accelerating Scientific Research with Gemini: Case Studies and Common Techniques [105.15622072347811]
  大規模言語モデル(LLM)は、科学研究を加速するための新たな道を開いた。 先進的なAIモデルとどのように協力したかを示すケーススタディのコレクションを提示する。
  論文  参考訳（メタデータ） (2026-02-03T18:56:17Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Operationalizing Serendipity: Multi-Agent AI Workflows for Enhanced Materials Characterization with Theory-in-the-Loop [0.0]
  SciLinkは、材料研究におけるセレンディピティーを運用するために設計された、オープンソースのマルチエージェント人工知能フレームワークである。 実験観察、新規性評価、理論シミュレーションの直接的な自動リンクを生成する。 本稿では,原子分解能およびハイパースペクトルデータへの応用,リアルタイムな人間専門家指導の統合能力,研究ループを閉じる能力について述べる。
  論文  参考訳（メタデータ） (2025-08-07T04:59:17Z)
• From Reproduction to Replication: Evaluating Research Agents with Progressive Code Masking [48.90371827091671]
  AutoExperimentは、AIエージェントの機械学習実験の実装と実行能力を評価するベンチマークである。 我々は最先端のエージェントを評価し、n$が増加するにつれて性能が急速に低下することを発見した。 本研究は、長期コード生成、文脈検索、自律的な実験実行における重要な課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-24T15:39:20Z)
• Spore in the Wild: A Case Study of Spore.fun as an Open-Environment Evolution Experiment with Sovereign AI Agents on TEE-Secured Blockchains [0.0]
  Spore.funは、新しいオンチェーンエージェントの自律的な育種と進化を可能にする、現実世界のAI進化実験である。 本稿では,Spore.funの詳細なケーススタディとして,エージェントの行動とその進化的軌跡をデジタルエコロジーを用いて検討する。
  論文  参考訳（メタデータ） (2025-05-24T14:42:36Z)
• From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
  大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。 この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
  論文  参考訳（メタデータ） (2025-05-19T15:41:32Z)
• CodeScientist: End-to-End Semi-Automated Scientific Discovery with Code-based Experimentation [48.12054700748627]
  CodeScientistは、遺伝的検索の形式として、アイデアと実験を共同で行う新しいASDシステムである。 我々はこのパラダイムを用いて、エージェントと仮想環境の領域において、機械生成のアイデアを幅広く数百もの自動実験する。
  論文  参考訳（メタデータ） (2025-03-20T22:37:17Z)
• The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery [14.465756130099091]
  本稿では,完全自動科学的発見のための最初の包括的枠組みについて述べる。 我々は、新しい研究アイデアを生成し、コードを書き、実験を実行し、結果を視覚化し、その結果を説明するThe AI Scientistを紹介します。 原則として、このプロセスは、人間の科学コミュニティのように行動しながら、オープンな方法でアイデアを反復的に発展させることができる。
  論文  参考訳（メタデータ） (2024-08-12T16:58:11Z)
• Discovering Sensorimotor Agency in Cellular Automata using Diversity Search [17.898087201326483]
  細胞性オートマトン (CA) では、自己組織する環境ルールを見つけることができるかどうかが重要視されている。 このアプローチは, 自己組織化につながるCAの環境条件を系統的に把握する上で有効であることを示す。 発見されたエージェントは驚くほど頑丈で、動き、身体の整合性を維持し、さまざまな障害をナビゲートする能力を持っている。
  論文  参考訳（メタデータ） (2024-02-14T14:30:42Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• Deep active inference agents using Monte-Carlo methods [3.8233569758620054]
  モンテカルロサンプリングを用いた連続状態空間における深部能動推論エージェント構築のためのニューラルアーキテクチャを提案する。 提案手法は,タスク性能を維持しつつ,環境動態を効率的に学習することを可能にする。 その結果、深層能動推論は生物学的にインスパイアされた知的エージェントを開発するための柔軟な枠組みを提供することが示された。
  論文  参考訳（メタデータ） (2020-06-07T15:10:42Z)

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。