論文の概要: BioProAgent: Neuro-Symbolic Grounding for Constrained Scientific Planning

• arxiv url: http://arxiv.org/abs/2603.00876v1
• Date: Sun, 01 Mar 2026 02:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.392926
• Title: BioProAgent: Neuro-Symbolic Grounding for Constrained Scientific Planning
• Title（参考訳）: BioProAgent: 制約された科学計画のための神経-シンボリックグラウンドディング
• Authors: Yuyang Liu, Jingya Wang, Liuzhenghao Lv, Yonghong Tian,
• Abstract要約: BioProAgentは、有限状態機械における確率的計画を固定する神経象徴的なフレームワークである。 我々は、厳格なtextitDesign-Verify-Rectifyワークフローを強制するState-Augmented Planningメカニズムを導入する。 拡張されたBioProBenchベンチマークでは、BioProAgentは95.6%の物理コンプライアンスを達成した。
• 参考スコア（独自算出の注目度）: 56.04636248418112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated significant reasoning capabilities in scientific discovery but struggle to bridge the gap to physical execution in wet-labs. In these irreversible environments, probabilistic hallucinations are not merely incorrect, but also cause equipment damage or experimental failure. To address this, we propose \textbf{BioProAgent}, a neuro-symbolic framework that anchors probabilistic planning in a deterministic Finite State Machine (FSM). We introduce a State-Augmented Planning mechanism that enforces a rigorous \textit{Design-Verify-Rectify} workflow, ensuring hardware compliance before execution. Furthermore, we address the context bottleneck inherent in complex device schemas by \textit{Semantic Symbol Grounding}, reducing token consumption by $\sim$6$\times$ through symbolic abstraction. In the extended BioProBench benchmark, BioProAgent achieves 95.6\% physical compliance (compared to 21.0\% for ReAct), demonstrating that neuro-symbolic constraints are essential for reliable autonomy in irreversible physical environments. \footnote{Code at https://github.com/YuyangSunshine/bioproagent and project at https://yuyangsunshine.github.io/BioPro-Project/}
• Abstract（参考訳）: 大型言語モデル(LLM)は科学的発見において重要な推論能力を示したが、ウェットラブにおける物理的実行のギャップを埋めるのに苦労している。 これらの不可逆的な環境では、確率的幻覚は単に誤っただけでなく、機器の損傷や実験的な失敗を引き起こす。 これを解決するために、決定論的有限状態機械(FSM)において確率的計画を固定する神経象徴的枠組みである「textbf{BioProAgent}」を提案する。 本稿では,厳格な \textit{Design-Verify-Rectify} ワークフローを強制し,実行前のハードウェアコンプライアンスを確保する状態拡張計画機構を提案する。 さらに, 複雑なデバイススキーマに固有のコンテキストボトルネックをtextit{Semantic Symbol Grounding} で解決し, シンボリック抽象化によるトークン消費量を$\sim$6$\times$で削減する。 拡張されたBioProBenchベンチマークでは、BioProAgentは95.6\%の物理的コンプライアンス(ReActの21.0\%に比較)を達成した。 https://github.com/YuyangSunshine/bioproagent and project at https://yuyangsunshine.github.io/BioPro-Project/}

関連論文リスト

• Mozi: Governed Autonomy for Drug Discovery LLM Agents [21.429647382651677]
  依存度の高い医薬品パイプラインでは、自律的なエージェントがしばしば再現不可能な軌道へと漂流する。 我々は、生成AIの柔軟性と計算生物学の決定論的厳密さを橋渡しする二重層アーキテクチャであるMoziを紹介する。 モジの大規模化学空間をナビゲートし、強い毒性フィルターを強制し、シリカ候補において高い競争力を発揮する能力を示す。
  論文  参考訳（メタデータ） (2026-03-04T02:22:21Z)
• PIS: A Physics-Informed System for Accurate State Partitioning of $Aβ_{42}$ Protein Trajectories [3.7874902461360627]
  我々は、堅牢な準安定状態分割のために設計された物理インフォームドシステムであるPISを紹介する。 我々のモデルは、$A_42$データセット上で優れた性能を達成する。 PISは、物理特性の動的監視と多次元結果検証を特徴とするインタラクティブなプラットフォームを提供する。
  論文  参考訳（メタデータ） (2026-02-23T02:27:18Z)
• Protect$^*$: Steerable Retrosynthesis through Neuro-Symbolic State Encoding [0.0]
  本稿では,Large Language Models (LLMs) の生成能力を厳格な化学論理に基礎を置く,ニューロシンボリックなフレームワークであるProtect$*$を紹介する。 我々のアプローチは、ルールベースの自動推論とニューラルモデルの生成を組み合わせる。 我々は,エリスロマイシンBの新規合成経路の発見を含む,複雑な天然物に関するケーススタディを通じて,このニューロシンボリックアプローチを実証する。
  論文  参考訳（メタデータ） (2026-02-13T19:41:55Z)
• Echoes as Anchors: Probabilistic Costs and Attention Refocusing in LLM Reasoning [25.852162778115808]
  大規模推論モデル(LRM)におけるテスト時間計算割り当ては広く使われ、数学的問題解決、コード合成、計画に応用されている。 本稿では,EmphEcho of Prompt (EOP) を前装式計算整形機構として用いて,モデルが再帰する傾向を分析し,活用する。
  論文  参考訳（メタデータ） (2026-02-06T10:53:26Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• GRASP: Graph Reasoning Agents for Systems Pharmacology with Human-in-the-Loop [0.6019777076722421]
  textbfGRASP - ヒューマン・イン・ザ・ループの対話インタフェースを備えたマルチエージェント・グラフ推論フレームワーク。 QSPモデルを型付き生物学的知識グラフとしてエンコードし、ユニット、質量バランス、生理的制約を保ちながら実行可能/最小コードにコンパイルする。 SME誘導のCoTとToTのベースラインは、生物学的妥当性、数学的正確性、構造的忠実性、コード品質に優れています。
  論文  参考訳（メタデータ） (2025-12-05T07:59:16Z)
• Symbolic Neural Generation with Applications to Lead Discovery in Drug Design [1.3534513856953387]
  本稿では,記号学習とニューラル推論を組み合わせたハイブリッド型ニューロシンボリックモデルについて検討する。 textitSymbolic Neural Generators (SNGs)では、シンボリック学習者が少数のインスタンスから実行可能なデータの論理的仕様を検証している。 Inductive Logic Programming (ILP) の制限形式と大規模言語モデル (LLM) を組み合わせたSNGを実装し, 初期薬物設計で評価する。
  論文  参考訳（メタデータ） (2025-10-27T14:29:22Z)
• Lost in Tokenization: Context as the Key to Unlocking Biomolecular Understanding in Scientific LLMs [78.18336140706471]
  Sci-LLMは、生物発見を加速するための有望なフロンティアとして登場した。 現在の戦略では生の生体分子配列を処理する際にSci-LLMの推論能力を制限する。 より効果的な戦略は、Sci-LLMに高レベルな構造化コンテキストを提供することである。
  論文  参考訳（メタデータ） (2025-10-27T09:03:21Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Acting in Delayed Environments with Non-Stationary Markov Policies [57.52103323209643]
  本稿では,MDPにおける学習と計画のためのフレームワークについて紹介する。 実行が遅れると、元の状態空間における決定論的マルコフポリシーは最大報酬を得るのに十分であるが、非定常である必要があることを証明します。 我々は、状態拡張に頼らずに遅延実行タスクを解く非定常Q学習スタイルのモデルベースアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2021-01-28T13:35:37Z)
• Towards Assessment of Randomized Smoothing Mechanisms for Certifying Adversarial Robustness [50.96431444396752]
  主な課題は、各ランダム化メカニズムの適切性を評価する方法である。 まず最初に、ガウスのメカニズムが$ell$-normを証明するための適切な選択肢であると結論付ける。 驚いたことに、ガウスのメカニズムは指数機構の代わりに$ell_infty$-normを証明するための適切な選択肢でもある。
  論文  参考訳（メタデータ） (2020-05-15T03:54:53Z)

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。