論文の概要: InfEngine: A Self-Verifying and Self-Optimizing Intelligent Engine for Infrared Radiation Computing

• arxiv url: http://arxiv.org/abs/2602.18985v1
• Date: Sun, 22 Feb 2026 00:09:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.429578
• Title: InfEngine: A Self-Verifying and Self-Optimizing Intelligent Engine for Infrared Radiation Computing
• Title（参考訳）: InfEngine:赤外放射能コンピューティングのための自己検証・自己最適化インテリジェントエンジン
• Authors: Kun Ding, Jian Xu, Ying Wang, Peipei Yang, Shiming Xiang,
• Abstract要約: InfEngineは、人間主導のオーケストレーションから協調的な自動化へのパラダイムシフトを促進するために設計された、自律的なインテリジェントな計算エンジンである。 ジョイントソルバ評価器によって実現され、機能的正しさと科学的妥当性を改善し、自己最適化は、自己発見されたフィットネス機能を備えた進化アルゴリズムによって実現され、自律的なパフォーマンス最適化を促進する。
• 参考スコア（独自算出の注目度）: 24.871735265330912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared radiation computing underpins advances in climate science, remote sensing and spectroscopy but remains constrained by manual workflows. We introduce InfEngine, an autonomous intelligent computational engine designed to drive a paradigm shift from human-led orchestration to collaborative automation. It integrates four specialized agents through two core innovations: self-verification, enabled by joint solver-evaluator debugging, improves functional correctness and scientific plausibility; self-optimization, realized via evolutionary algorithms with self-discovered fitness functions, facilitates autonomous performance optimization. Evaluated on InfBench with 200 infrared-specific tasks and powered by InfTools with 270 curated tools, InfEngine achieves a 92.7% pass rate and delivers workflows 21x faster than manual expert effort. More fundamentally, it illustrates how researchers can transition from manual coding to collaborating with self-verifying, self-optimizing computational partners. By generating reusable, verified and optimized code, InfEngine transforms computational workflows into persistent scientific assets, accelerating the cycle of scientific discovery. Code: https://github.com/kding1225/infengine
• Abstract（参考訳）: 赤外線コンピューティングは、気候科学、リモートセンシング、分光学の進歩を支えているが、手動のワークフローによって制約されている。 我々は、人間主導のオーケストレーションから協調的な自動化へのパラダイムシフトを推進するために設計された、自律的なインテリジェントな計算エンジンであるInfEngineを紹介します。 自己検証(Self-verification)は、ジョイントソルバ-評価器デバッギングによって実現され、機能的正しさと科学的妥当性を改善し、自己発見されたフィットネス機能を備えた進化的アルゴリズムによって実現される自己最適化(セルフ最適化)は、自律的なパフォーマンス最適化を促進する。 InfEngineは200の赤外線固有のタスクと270のツールを備えたInfToolsによって評価され、92.7%のパスレートを達成し、手動のエキスパートよりも21倍高速なワークフローを提供する。 より根本的には、研究者が手作業によるコーディングから、自己検証、自己最適化の計算パートナとのコラボレーションに移行する方法について説明している。 再利用可能な、検証され、最適化されたコードを生成することで、InfEngineは計算ワークフローを永続的な科学的資産に変換し、科学的発見のサイクルを加速する。 コード:https://github.com/kding1225/infengine

関連論文リスト

• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• 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)
• Spec-Driven AI for Science: The ARIA Framework for Automated and Reproducible Data Analysis [23.28226188948918]
  ARIAは、自動および解釈可能なデータ分析のための、仕様駆動のヒューマン・イン・ザ・ループ・フレームワークである。 ARIAは、Command、Context、Code、Data、Orchesttion、AI Moduleという6つのレイヤを統合している。 ARIAは透明で協調的で再現可能な科学的発見のための新しいパラダイムを確立している。
  論文  参考訳（メタデータ） (2025-10-13T08:32:43Z)
• AutoLabs: Cognitive Multi-Agent Systems with Self-Correction for Autonomous Chemical Experimentation [0.10999592665107412]
  AutoLabsは、自然言語命令を自動で実行可能なプロトコルに変換するように設計された、自己修正型マルチエージェントアーキテクチャである。 複雑化に関する5つのベンチマーク実験を特徴とする総合評価フレームワークを提案する。 以上の結果から,エージェント推論能力が成功の最も重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-30T01:51:46Z)
• Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
  本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。 我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。 結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
  論文  参考訳（メタデータ） (2025-07-10T20:12:54Z)
• 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)
• AUTONODE: A Neuro-Graphic Self-Learnable Engine for Cognitive GUI Automation [0.0]
  オンラインニューログラフィック操作と深部探索によるユーザインタフェースの自律的変換 我々のエンジンはエージェントが複雑に理解し実装し、非並列な効率で動的Web環境に適応することを可能にする。 AUTONODEの汎用性と有効性は一連の実験を通じて実証され、様々なWebベースのタスクを管理する能力を強調している。
  論文  参考訳（メタデータ） (2024-03-15T10:27:17Z)
• 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)
• DIFER: Differentiable Automated Feature Engineering [12.961270020632362]
  機械学習の重要なステップである機能エンジニアリングは、生データから有用な機能を抽出し、データ品質を改善することを目的としている。 連続ベクトル空間における微分可能自動特徴工学を実現するために,DIFERと呼ばれる効率的な勾配法を提案する。 この結果から,DIFERは機械学習アルゴリズムの性能を著しく向上させ,現在のAutoFE手法よりも効率と性能の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-17T12:55:45Z)

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。