論文の概要: GRACE: an Agentic AI for Particle Physics Experiment Design and Simulation
- arxiv url: http://arxiv.org/abs/2602.15039v1
- Date: Sat, 31 Jan 2026 01:12:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 12:01:13.621075
- Title: GRACE: an Agentic AI for Particle Physics Experiment Design and Simulation
- Title（参考訳）: GRACE: 粒子物理実験とシミュレーションのためのエージェントAI
- Authors: Justin Hill, Hong Joo Ryoo,
- Abstract要約: GRACEは、高エネルギー・核物理学における自律的な実験設計のためのシミュレーションネイティブエージェントである。
第一原理モンテカルロ法による設計変更を自律的に探索する。
それは、繰り返しシミュレーション、物理動機付きユーティリティ機能、予算対応エスカレーションを通じて、候補設計を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present GRACE, a simulation-native agent for autonomous experimental design in high-energy and nuclear physics. Given multimodal input in the form of a natural-language prompt or a published experimental paper, the agent extracts a structured representation of the experiment, constructs a runnable toy simulation, and autonomously explores design modifications using first-principles Monte Carlo methods. Unlike agentic systems focused on operational control or execution of predefined procedures, GRACE addresses the upstream problem of experimental design: proposing non-obvious modifications to detector geometry, materials, and configurations that improve physics performance under physical and practical constraints. The agent evaluates candidate designs through repeated simulation, physics-motivated utility functions, and budget-aware escalation from fast parametric models to full Geant4 simulations, while maintaining strict reproducibility and provenance tracking. We demonstrate the framework on historical experimental setups, showing that the agent can identify optimization directions that align with known upgrade priorities, using only baseline simulation inputs. We also conducted a benchmark in which the agent identified the setup and proposed improvements from a suite of natural language prompts, with some supplied with a relevant physics research paper, of varying high energy physics (HEP) problem settings. This work establishes experimental design as a constrained search problem under physical law and introduces a new benchmark for autonomous, simulation-driven scientific reasoning in complex instruments.
- Abstract（参考訳）: 本稿では,高エネルギー・核物理学における自律的実験設計のためのシミュレーションネイティブエージェントGRACEを提案する。
自然言語プロンプトや公開された実験論文の形でマルチモーダル入力を与えられたエージェントは、実験の構造的表現を抽出し、実行可能な玩具シミュレーションを構築し、第一原理モンテカルロ法による設計変更を自律的に探索する。
事前定義された手順の操作制御や実行に焦点を当てたエージェントシステムとは異なり、GRACEは実験設計の上流問題に対処している。
エージェントは、厳密な再現性と前兆追跡を維持しつつ、高速パラメトリックモデルから完全なGeant4シミュレーションへの、繰り返しシミュレーション、物理動機付きユーティリティ関数、予算を考慮したエスカレーションを通じて、候補設計を評価する。
提案手法は, 既知のアップグレード優先度と整合する最適化方向を, ベースラインシミュレーション入力のみを用いて識別できることを実証する。
また、エージェントが設定を特定し、一連の自然言語プロンプトから改善を提案するベンチマークを行い、関連する物理研究論文(HEP)の様々な高エネルギー物理学(HEP)問題設定を提示した。
本研究は、物理法則の下での制約付き探索問題として実験設計を確立し、複雑な機器における自律的シミュレーション駆動科学推論のための新しいベンチマークを導入する。
関連論文リスト
- Perceptual Self-Reflection in Agentic Physics Simulation Code Generation [0.0]
本稿では,自然言語記述から物理シミュレーションコードを生成するフレームワークを提案する。
主要なイノベーションは知覚的検証であり、視覚能力のある言語モデルを使用してレンダリングされたアニメーションフレームを分析する。
本研究では, 古典力学, 流体力学, 熱力学, 電磁学, 波動物理学, 反応拡散系, 非物理データ可視化を含む7分野にわたるシステム評価を行った。
論文 参考訳（メタデータ） (2026-02-12T15:48:33Z) - PhysGym: Benchmarking LLMs in Interactive Physics Discovery with Controlled Priors [29.988641224102164]
textscPhysGymは、LSMベースの科学的推論を厳格に評価するための、新しいベンチマークスイートとシミュレーションプラットフォームである。
textscPhysGymの主な貢献は、エージェントに提供された事前知識のレベルを高度に制御することにある。
論文 参考訳（メタデータ） (2025-07-21T12:28:10Z) - Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies [0.5999777817331317]
インバータの固有動力学をエミュレートする物理インフォームドニューラル常微分方程式に基づくフレームワークを開発した。
提案手法はグリッドフォーミングインバータ (GFM) のケーススタディを用いて検証した。
論文 参考訳（メタデータ） (2025-07-21T05:48:31Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。
検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。
我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
論文 参考訳（メタデータ） (2023-12-15T08:27:39Z) - Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。
a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。
ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
論文 参考訳（メタデータ） (2023-01-31T06:55:19Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳（メタデータ） (2020-11-17T22:24:26Z)
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。