論文の概要: Agentic AI -- Physicist Collaboration in Experimental Particle Physics: A Proof-of-Concept Measurement with LEP Open Data
- arxiv url: http://arxiv.org/abs/2603.05735v2
- Date: Thu, 26 Mar 2026 14:28:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:12.757577
- Title: Agentic AI -- Physicist Collaboration in Experimental Particle Physics: A Proof-of-Concept Measurement with LEP Open Data
- Title（参考訳）: エージェントAI-実験粒子物理学における物理学者共同研究--LEPオープンデータを用いた概念実証
- Authors: Anthony Badea, Yi Chen, Marcello Maggi, Yen-Jie Lee, Electron-Positron Alliance,
- Abstract要約: アーカイブされたALEPHデータを用いて,Sqrts=91.2$GeVでのe+e-$衝突時の推力分布のAIエージェントによる測定を行った。
分析とすべてのメモは、専門家物理学者の指示のもと、AIエージェントによって全て実行される。
- 参考スコア（独自算出の注目度）: 3.147077426479995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an AI agentic measurement of the thrust distribution in $e^{+}e^{-}$ collisions at $\sqrt{s}=91.2$~GeV using archived ALEPH data. The analysis and all note writing is carried out entirely by AI agents (OpenAI Codex and Anthropic Claude) under expert physicist direction. A fully corrected spectrum is obtained via Iterative Bayesian Unfolding and Monte Carlo based corrections. This work represents a step toward a theory-experiment loop in which AI agents assist with experimental measurements and theoretical calculations, and synthesize insights by comparing the results, thereby accelerating the cycle that drives discovery in fundamental physics. Our work suggests that precision physics, leveraging the open LEP data and advanced theoretical landscape, provides an ideal testing ground for developing advanced AI systems for scientific applications.
- Abstract（参考訳）: アーカイブされたALEPHデータを用いて,e^{+}e^{-}$衝突時の推力分布のAIエージェントによる測定を行った。
分析とすべてのメモは、専門家の物理学者の指示のもと、AIエージェント(OpenAI Codex と Anthropic Claude)によって実行される。
完全補正スペクトルはイテレーティブベイズアン・アンフォールディングとモンテカルロに基づく補正によって得られる。
この研究は、AIエージェントが実験的な測定や理論計算を補助し、結果を比較して洞察を合成し、基礎物理学における発見を促進するサイクルを加速する理論実験ループへのステップを示す。
我々の研究は、オープンなLEPデータと高度な理論的景観を活用する精密物理学が、科学応用のための高度なAIシステムの開発に理想的な試験場を提供することを示唆している。
関連論文リスト
- Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
科学と工学における根本的な課題は、シミュレーションと実験のギャップである。
このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。
本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
論文 参考訳（メタデータ） (2026-04-01T17:21:33Z) - AI Agents Can Already Autonomously Perform Experimental High Energy Physics [0.0431528684314271]
大規模言語モデルベースのAIエージェントは、専門家による最小限の入力で、高エネルギー物理分析パイプラインの一部を自律的に実行できるようになった。
本稿では,自律分析エージェントと文献に基づく知識検索とマルチエージェントレビューを統合した概念実証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T17:55:27Z) - Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。
本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T09:20:12Z) - Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery [16.678133599755068]
本稿では,理論物理学の解法を自律的に解くことにより,人工知能が数学的発見を加速できることを実証する。
本稿では,ジェミニ・ディープシンク大言語モデルと系統木探索(TS)フレームワークと自動数値フィードバックを組み合わせたニューロシンボリックシステムを提案する。
論文 参考訳（メタデータ） (2026-03-05T02:15:04Z) - AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。
多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。
ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
論文 参考訳（メタデータ） (2025-11-26T02:10:28Z) - Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。
視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。
常に最先端のVLMベースラインを精度と解釈性で上回る。
論文 参考訳（メタデータ） (2025-08-24T14:34:21Z) - Gravity-Bench-v1: A Benchmark on Gravitational Physics Discovery for Agents [0.0]
Gravity-Bench-v1は環境ベースのベンチマークで、現代の科学と平行するタスクでAIエージェントに挑戦する。
重力ベンチ(Gravity-Bench)は、実際の世界から逸脱する物理、すなわち真の科学的一般化能力を評価するための分配外ケースを含む。
論文 参考訳（メタデータ） (2025-01-30T15:06:34Z) - Can AI Understand Our Universe? Test of Fine-Tuning GPT by Astrophysical Data [6.0108108767559525]
ChatGPTはここ数ヶ月で最も話題になっているコンセプトで、プロフェッショナルと一般大衆の両方を魅了している。
本稿では、銀河、クエーサー、星、ガンマ線バースト(GRBs)、ブラックホール(BHs)の観測から得られた天文学データを用いて、生成前訓練変圧器モデル(GPT)を微調整する。
我々は、LLMが科学的研究において証明された有効性を示す試験として、これを成功とみなしている。
論文 参考訳（メタデータ） (2024-04-14T20:52:19Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z)
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。