論文の概要: Principle-Evolvable Scientific Discovery via Uncertainty Minimization

• arxiv url: http://arxiv.org/abs/2602.06448v1
• Date: Fri, 06 Feb 2026 07:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.277457
• Title: Principle-Evolvable Scientific Discovery via Uncertainty Minimization
• Title（参考訳）: 不確実性最小化による科学的発見の原理
• Authors: Yingming Pu, Tao Lin, Hongyu Chen,
• Abstract要約: 科学発見をベイズ最適化として扱う原理進化可能なフレームワークであるPiEvoについて述べる。 PiEvoのソリューションの平均品質は90.81%93.15%に達し、最先端よりも29.7%31.1%向上している。
• 参考スコア（独自算出の注目度）: 9.216546947535244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based scientific agents have accelerated scientific discovery, yet they often suffer from significant inefficiencies due to adherence to fixed initial priors. Existing approaches predominantly operate within a static hypothesis space, which restricts the discovery of novel phenomena, resulting in computational waste when baseline theories fail. To address this, we propose shifting the focus from searching hypotheses to evolving the underlying scientific principles. We present PiEvo, a principle-evolvable framework that treats scientific discovery as Bayesian optimization over an expanding principle space. By integrating Information-Directed Hypothesis Selection via Gaussian Process and an anomaly-driven augmentation mechanism, PiEvo enables agents to autonomously refine their theoretical worldview. Evaluation across four benchmarks demonstrates that PiEvo (1) achieves an average solution quality of up to 90.81%~93.15%, representing a 29.7%~31.1% improvement over the state-of-the-art, (2) attains an 83.3% speedup in convergence step via significantly reduced sample complexity by optimizing the compact principle space, and (3) maintains robust performance across diverse scientific domains and LLM backbones.
• Abstract（参考訳）: LLM(Large Language Model)に基づく科学エージェントは、科学的発見を加速してきたが、固定された初期先行に固執するため、しばしば重大な非効率に悩まされる。 既存のアプローチは主に静的仮説空間内で動作し、これは新しい現象の発見を制限する。 そこで本研究では,仮説の探索から基礎となる科学的原理の進化へ焦点を移すことを提案する。 科学発見をベイズ最適化として扱う原理進化可能なフレームワークであるPiEvoについて述べる。 ガウス過程による情報指向仮説選択と異常駆動強化機構を統合することにより、エージェントは理論世界観を自律的に洗練することができる。 4つのベンチマークによる評価は、ピエボ(1)が29.7%から31.1%の改善を示す90.81%から93.15%までの平均解品質を達成し、(2)コンパクトな原理空間を最適化することでサンプルの複雑さを大幅に減らし、(3)様々な科学領域やLLMバックボーンの堅牢な性能を維持していることを示している。

関連論文リスト

• Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows [203.3527268311731]
  PIM(Practical Inquiry Model)に基づく運用SGI定義を提案する。 深層研究、アイデア生成、ドライ/ウェット実験、実験推論の4つのタスクを通じて運用しています。 私たちのPIMによる定義、ワークフロー中心のベンチマーク、実証的な洞察は、真に科学的な発見に参加するAIシステムの基盤を確立します。
  論文  参考訳（メタデータ） (2025-12-18T12:44:36Z)
• Bayes-Entropy Collaborative Driven Agents for Research Hypotheses Generation and Optimization [4.469102316542763]
  本稿では,HypoAgentsと呼ばれるマルチエージェント協調フレームワークを提案する。 多様性のサンプリングを通じて仮説を生成し、事前の信念を確立する。 その後、外部文献の証拠収集にRAG(erieval-augmented generation)を採用している。 情報エントロピー$H = - sum p_ilog p_i$ を用いて高不確かさ仮説を特定し、それらを積極的に洗練する。
  論文  参考訳（メタデータ） (2025-08-03T13:05:32Z)
• MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
  先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。 我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。 我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:24:50Z)
• InternAgent: When Agent Becomes the Scientist -- Building Closed-Loop System from Hypothesis to Verification [24.752098402554743]
  InternAgentは、自律科学研究を行うための統合クローズドループマルチエージェントフレームワークである。 12の科学研究課題にまたがる多目的性を実証した。 複数の科学分野において有望な性能向上を達成し、人的努力に比べて大幅にコストを削減した。
  論文  参考訳（メタデータ） (2025-05-22T17:27:43Z)
• PiFlow: Principle-aware Scientific Discovery with Multi-Agent Collaboration [9.216546947535244]
  自動科学的発見のための情報理論フレームワークPiFlowを紹介する。 提案手法は,曲線下面積の73.55%増加を反映して,発見効率を著しく向上させる。 全体として、PiFlowはPlug-and-Playメソッドとして機能し、高度に効率的な自動科学的発見における新しいパラダイムシフトを確立する。
  論文  参考訳（メタデータ） (2025-05-21T03:09:39Z)
• Heterogeneity-Aware Client Sampling: A Unified Solution for Consistent Federated Learning [31.50593149242509]
  フェデレートラーニング(FL)は通常、多様なコミュニケーションと計算能力を持つクライアントを伴います。 FLにおける異種通信と計算が不整合を駆動するメカニズムを根本的に明らかにする。 汎用手法としてフェデレーテッド・ヘテロジニティ・アウェア・クライアントサンプリング(FedACS)を提案する。
  論文  参考訳（メタデータ） (2025-05-16T14:31:36Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)

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。