論文の概要: Accelerating Scientific Discovery with Autonomous Goal-evolving Agents
- arxiv url: http://arxiv.org/abs/2512.21782v1
- Date: Thu, 25 Dec 2025 20:54:41 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-29 11:56:55.358634
- Title: Accelerating Scientific Discovery with Autonomous Goal-evolving Agents
- Title（参考訳）: 自律ゴール進化エージェントによる科学的発見の加速
- Authors: Yuanqi Du, Botao Yu, Tianyu Liu, Tony Shen, Junwu Chen, Jan G. Rittig, Kunyang Sun, Yikun Zhang, Zhangde Song, Bo Zhou, Cassandra Masschelein, Yingze Wang, Haorui Wang, Haojun Jia, Chao Zhang, Hongyu Zhao, Martin Ester, Teresa Head-Gordon, Carla P. Gomes, Huan Sun, Chenru Duan, Philippe Schwaller, Wengong Jin,
- Abstract要約: 我々は,この課題を是正するために,科学自律ゴール進化エージェント(SAGA)を紹介した。
SAGAは、LLMエージェントの外ループが最適化結果を分析し、新しい目的を提案し、計算可能なスコアリング関数に変換する二段階アーキテクチャを採用している。
本フレームワークは, 抗生物質設計, 無機材料設計, 機能的DNA配列設計, 化学プロセス設計など, 幅広い応用で実証されている。
- 参考スコア（独自算出の注目度）: 51.6546298853762
- License:
- Abstract: There has been unprecedented interest in developing agents that expand the boundary of scientific discovery, primarily by optimizing quantitative objective functions specified by scientists. However, for grand challenges in science , these objectives are only imperfect proxies. We argue that automating objective function design is a central, yet unmet requirement for scientific discovery agents. In this work, we introduce the Scientific Autonomous Goal-evolving Agent (SAGA) to amend this challenge. SAGA employs a bi-level architecture in which an outer loop of LLM agents analyzes optimization outcomes, proposes new objectives, and converts them into computable scoring functions, while an inner loop performs solution optimization under the current objectives. This bi-level design enables systematic exploration of the space of objectives and their trade-offs, rather than treating them as fixed inputs. We demonstrate the framework through a broad spectrum of applications, including antibiotic design, inorganic materials design, functional DNA sequence design, and chemical process design, showing that automating objective formulation can substantially improve the effectiveness of scientific discovery agents.
- Abstract（参考訳）: 科学的発見の境界を広げるエージェントの開発には前代未聞の関心があり、主に科学者によって特定される定量的目的関数の最適化によって行われている。
しかし、科学における大きな課題に対しては、これらの目的は不完全なプロキシに過ぎません。
目的関数設計の自動化は、科学的な発見エージェントにとって、中心的かつ未解決の要件である、と我々は主張する。
本研究では,この課題を修正するために,SAGA(Scientific Autonomous Goal-evolving Agent)を導入する。
SAGAは、LLMエージェントの外ループが最適化結果を解析し、新しい目的を提案し、それらを計算可能なスコアリング関数に変換し、インナーループが現在の目的の下でソリューション最適化を行うという、双方向アーキテクチャを採用している。
この二段階の設計は、固定された入力として扱うのではなく、目的の空間とそのトレードオフの体系的な探索を可能にする。
このフレームワークは, 抗生物質設計, 無機材料設計, 機能的DNA配列設計, 化学プロセス設計など, 幅広い応用を通じて実証されており, 自動的客観的定式化は, 科学的発見剤の有効性を著しく向上させることができることを示す。
関連論文リスト
- Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。
本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。
DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
論文 参考訳（メタデータ） (2025-05-20T05:18:15Z) - Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。
モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。
科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
論文 参考訳（メタデータ） (2025-03-21T16:35:02Z) - Autonomous Microscopy Experiments through Large Language Model Agents [4.241267255764773]
大規模言語モデル(LLM)は、材料研究のための自己運転実験室(SDL)に革命をもたらしている。
LLM駆動エージェントによる原子間力顕微鏡の自動化フレームワークであるArtificially Intelligent Lab Assistant (AILA)を紹介する。
アートモデルの現状が,基本的なタスクや調整シナリオに苦労していることに気付きました。
論文 参考訳（メタデータ） (2024-12-18T09:35:28Z) - Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。
G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文 参考訳（メタデータ） (2024-10-06T10:49:40Z) - Efficient Evolutionary Search Over Chemical Space with Large Language Models [31.31899988523534]
最適化の目的は区別できない。
化学対応大規模言語モデル(LLM)を進化的アルゴリズムに導入する。
我々のアルゴリズムは最終解の質と収束速度の両方を改善する。
論文 参考訳（メタデータ） (2024-06-23T06:22:49Z)
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。