論文の概要: AI4S-SDS: A Neuro-Symbolic Solvent Design System via Sparse MCTS and Differentiable Physics Alignment

• arxiv url: http://arxiv.org/abs/2603.03686v1
• Date: Wed, 04 Mar 2026 03:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.171932
• Title: AI4S-SDS: A Neuro-Symbolic Solvent Design System via Sparse MCTS and Differentiable Physics Alignment
• Title（参考訳）: AI4S-SDS:Sparse MCTSと微分物理アライメントによるニューロシンボリック溶媒設計システム
• Authors: Jiangyu Chen,
• Abstract要約: AI4S-SDSはクローズドループ型ニューロシンボリック・フレームワークであり,モンテカルロ木探索エンジンとマルチエージェント・コラボレーションを統合している。 我々は,AI4S-SDSがHSPに基づく物理制約の下で完全な妥当性を達成し,ベースラインエージェントと比較して探索の多様性を著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated design of chemical formulations is a cornerstone of materials science, yet it requires navigating a high-dimensional combinatorial space involving discrete compositional choices and continuous geometric constraints. Existing Large Language Model (LLM) agents face significant challenges in this setting, including context window limitations during long-horizon reasoning and path-dependent exploration that may lead to mode collapse. To address these issues, we introduce AI4S-SDS, a closed-loop neuro-symbolic framework that integrates multi-agent collaboration with a tailored Monte Carlo Tree Search (MCTS) engine. We propose a Sparse State Storage mechanism with Dynamic Path Reconstruction, which decouples reasoning history from context length and enables arbitrarily deep exploration under fixed token budgets. To reduce local convergence and improve coverage, we implement a Global--Local Search Strategy: a memory-driven planning module adaptively reconfigures the search root based on historical feedback, while a Sibling-Aware Expansion mechanism promotes orthogonal exploration at the node level. Furthermore, we bridge symbolic reasoning and physical feasibility through a Differentiable Physics Engine, employing a hybrid normalized loss with sparsity-inducing regularization to optimize continuous mixing ratios under thermodynamic constraints. Empirical results show that AI4S-SDS achieves full validity under the adopted HSP-based physical constraints and substantially improves exploration diversity compared to baseline agents. In preliminary lithography experiments, the framework identifies a novel photoresist developer formulation that demonstrates competitive or superior performance relative to a commercial benchmark, highlighting the potential of diversity-driven neuro-symbolic search for scientific discovery.
• Abstract（参考訳）: 化学式の自動設計は材料科学の基盤であるが、離散的な構成選択と連続的な幾何学的制約を含む高次元の組合せ空間をナビゲートする必要がある。 既存のLarge Language Model (LLM)エージェントはこの設定において重要な課題に直面しており、例えば、長期水平推論におけるコンテキストウィンドウの制限や、モード崩壊につながる可能性のあるパス依存探索がある。 これらの問題に対処するため、我々は、モンテカルロ木探索(MCTS)エンジンとマルチエージェントコラボレーションを統合するクローズドループニューロシンボリックフレームワークであるAI4S-SDSを紹介する。 本研究では,動的パス再構成を用いたスパース状態記憶機構を提案する。これはコンテキスト長から推論履歴を分離し,固定されたトークン予算の下で任意の深層探査を可能にする。 局所収束を減らし,カバレッジを向上させるため,メモリ駆動型計画モジュールが履歴フィードバックに基づいて探索ルートを適応的に再構成するGlobal-Local Search Strategyを実装し,Sibling-Aware Expansion機構はノードレベルで直交探索を促進する。 さらに, 熱力学的制約下での連続混合比を最適化するために, 疎性誘導正則化を伴うハイブリッド正規化損失を用いて, 微分可能物理エンジンによる記号推論と物理実現可能性の橋渡しを行う。 実験の結果,AI4S-SDSはHSPをベースとした物理制約の下で完全な妥当性が得られ,ベースラインエージェントに比べて探索の多様性が著しく向上することがわかった。 予備的なリソグラフィー実験において、このフレームワークは、商業ベンチマークと比較して競争力または優れたパフォーマンスを示す新しいフォトレジスト開発者定式化を識別し、多様性駆動型ニューロシンボリックサーチによる科学的発見の可能性を強調した。

関連論文リスト

• GraphAgents: Knowledge Graph-Guided Agentic AI for Cross-Domain Materials Design [0.9332987715848714]
  大型言語モデル (LLMs) は、科学的な視野を広げることで発見を加速することを約束する。 材料科学では、革新が分子化学から機械的性能までの概念を統合することを要求するが、これは特に急激である。 本稿では,PFAS(per-およびpolyfluoroalkyl substances)-chemicalsの持続可能な代替品を見つけるために,大規模知識グラフでガイドされたマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-07T10:50:34Z)
• Cheap2Rich: A Multi-Fidelity Framework for Data Assimilation and System Identification of Multiscale Physics -- Rotating Detonation Engines [1.8796659304823702]
  Cheap2Richは、スパースセンサー履歴から高忠実度状態空間を再構成するマルチスケールデータ同化フレームワークである。 回転起爆エンジン(RDE)の性能実証 その結果,複雑なマルチスケールシステムにおけるデータ同化とシステム識別のための汎用多機能フレームワークが注目されている。
  論文  参考訳（メタデータ） (2026-01-28T06:35:22Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
  PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
  論文  参考訳（メタデータ） (2026-01-15T18:25:23Z)
• HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
  イベントカメラは例外的な時間分解能と範囲(モード)を提供する RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
  論文  参考訳（メタデータ） (2025-10-22T13:15:13Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• Merging Memory and Space: A State Space Neural Operator [8.378604588491394]
  State Space Neural Operator (SS-NO) は時間依存偏微分方程式の解演算子を学習するためのコンパクトなアーキテクチャである。 SS-NOは多種多様なPDEベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-07-31T11:09:15Z)
• Topology-Assisted Spatio-Temporal Pattern Disentangling for Scalable MARL in Large-scale Autonomous Traffic Control [14.929720580977152]
  本稿では,動的グラフニューラルネットワーク(DGNN)とトポロジカルデータ解析(TDA)を統合した新しいMARLフレームワークを提案する。 大規模言語モデル (LLMs) におけるMixture of Experts (MoE) アーキテクチャに着想を得て, 位相支援型空間パターンアンタングリング (TSD) 強化型MoEを提案する。 実世界の交通シナリオにおいて行われた大規模な実験は、包括的な理論的分析とともに、提案フレームワークの優れた性能を検証した。
  論文  参考訳（メタデータ） (2025-06-14T11:18:12Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Towards Autonomous Experimentation: Bayesian Optimization over Problem Formulation Space for Accelerated Alloy Development [0.31457219084519]
  問題定式化空間上のベイズ最適化を利用して最適な設計定式化を同定する新しい枠組みを提案する。 ガスタービンエンジンブレード応用を目的としたMo-Nb-Ti-V-W合金系におけるインサイリコケーススタディにより,本手法の有効性を実証した。 今後は、人間のフィードバックを取り入れて、実世界の実験環境におけるシステムの適応性をさらに強化していく予定だ。
  論文  参考訳（メタデータ） (2025-02-09T01:05:58Z)
• Beyond the Kolmogorov Barrier: A Learnable Weighted Hybrid Autoencoder for Model Order Reduction [0.8021197489470758]
  我々は,コルモゴロフ障壁を克服するために,学習可能な重み付きハイブリッドオートエンコーダを提案する。 トレーニングされたモデルは、他のモデルに比べて何千倍もシャープさが小さいことを実証的に見出した。
  論文  参考訳（メタデータ） (2024-10-23T00:04:26Z)
• Explainable Equivariant Neural Networks for Particle Physics: PELICAN [51.02649432050852]
  PELICANは、新しい置換同変であり、ローレンツ不変アグリゲーターネットワークである。 本稿では,タグ付け(分類)とローレンツ発泡トップクォークの再構成(回帰)の両文脈におけるPELICANアルゴリズムアーキテクチャについて述べる。 PELICANの適用範囲を、クォーク開始時とグルーオン開始時とを識別するタスクに拡張し、5種類のジェットを対象とするマルチクラス同定を行う。
  論文  参考訳（メタデータ） (2023-07-31T09:08:40Z)

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。