論文の概要: AgenticSciML: Collaborative Multi-Agent Systems for Emergent Discovery in Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2511.07262v1
• Date: Mon, 10 Nov 2025 16:06:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.358083
• Title: AgenticSciML: Collaborative Multi-Agent Systems for Emergent Discovery in Scientific Machine Learning
• Title（参考訳）: AgenticSciML:科学機械学習における創発的発見のための協調型マルチエージェントシステム
• Authors: Qile Jiang, George Karniadakis,
• Abstract要約: AgenticSciMLは、10以上の専門AIエージェントが協力してSciMLソリューションを提案し、批判し、洗練する、協調的なマルチエージェントシステムである。 このフレームワークは、構造化された議論、検索強化されたメソッドメモリ、およびアンサンブル誘導された進化的検索を統合する。 その結果,AIエージェント間の協調推論は,創発的な方法論的革新をもたらす可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific Machine Learning (SciML) integrates data-driven inference with physical modeling to solve complex problems in science and engineering. However, the design of SciML architectures, loss formulations, and training strategies remains an expert-driven research process, requiring extensive experimentation and problem-specific insights. Here we introduce AgenticSciML, a collaborative multi-agent system in which over 10 specialized AI agents collaborate to propose, critique, and refine SciML solutions through structured reasoning and iterative evolution. The framework integrates structured debate, retrieval-augmented method memory, and ensemble-guided evolutionary search, enabling the agents to generate and assess new hypotheses about architectures and optimization procedures. Across physics-informed learning and operator learning tasks, the framework discovers solution methods that outperform single-agent and human-designed baselines by up to four orders of magnitude in error reduction. The agents produce novel strategies -- including adaptive mixture-of-expert architectures, decomposition-based PINNs, and physics-informed operator learning models -- that do not appear explicitly in the curated knowledge base. These results show that collaborative reasoning among AI agents can yield emergent methodological innovation, suggesting a path toward scalable, transparent, and autonomous discovery in scientific computing.
• Abstract（参考訳）: 科学機械学習(SciML)は、データ駆動推論と物理モデリングを統合し、科学と工学の複雑な問題を解決する。 しかしながら、SciMLアーキテクチャの設計、損失の定式化、トレーニング戦略は専門家主導の研究プロセスであり、広範な実験と問題固有の洞察を必要とする。 ここでは,10以上の専門的AIエージェントが協調して,構造化推論と反復進化を通じてSciMLソリューションを提案し,批判し,洗練する,協調的マルチエージェントシステムであるAgenticSciMLを紹介する。 このフレームワークは構造化された議論、検索強化されたメソッドメモリ、およびアンサンブル誘導された進化的探索を統合し、エージェントはアーキテクチャと最適化手順に関する新しい仮説を生成および評価することができる。 物理インフォームドラーニングと演算子学習のタスク全体で、このフレームワークは、単一エージェントと人間設計のベースラインを最大4桁のエラー削減で上回るソリューション方法を発見する。 エージェントは、適応型ミックスオブエキスパートアーキテクチャ、分解ベースPINN、物理インフォームド演算子学習モデルなど、キュレートされた知識ベースに明示的に現れない新しい戦略を作成する。 これらの結果は、AIエージェント間の協調推論が創発的な方法論的革新をもたらす可能性を示し、科学計算におけるスケーラブルで透明で自律的な発見への道のりを示唆している。

関連論文リスト

• MeLA: A Metacognitive LLM-Driven Architecture for Automatic Heuristic Design [16.216869444746898]
  MeLAはメタ認知型LLM駆動アーキテクチャで、AHD(Automatic Heuristic Design)の新しいパラダイムを提供する MeLAは、これらを生成する際にLLM(Large Language Model)を導くために使われる命令プロンプトを進化させる。 プロンプト進化」のこのプロセスは、新しいメタ認知フレームワークによって駆動される。
  論文  参考訳（メタデータ） (2025-07-28T05:56:40Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems [132.77459963706437]
  この本は、モジュール化された脳に触発されたアーキテクチャの中で、インテリジェントなエージェントをフレーミングする、包括的な概要を提供する。 自己向上と適応的な進化のメカニズムを探求し、エージェントが自律的に能力を洗練する方法を探求する。 また、エージェントの相互作用、協力、社会構造から生じる集合的知性についても調べる。
  論文  参考訳（メタデータ） (2025-03-31T18:00:29Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
  提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする 以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-13T22:46:02Z)

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。