論文の概要: EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery
- arxiv url: http://arxiv.org/abs/2603.08127v1
- Date: Mon, 09 Mar 2026 09:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.722642
- Title: EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery
- Title（参考訳）: EvoScientist: エンドツーエンドの科学発見のためのマルチエージェント進化型AI科学者を目指して
- Abstract要約: EvoScientistは進化するマルチエージェントAI科学者フレームワークである。
永続記憶と自己進化を通じて研究戦略を継続的に改善する。
科学的なアイデア生成において、7つのオープンソースおよび商用の最先端システムを上回っている。
- 参考スコア（独自算出の注目度）: 18.348102991427965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing adoption of Large Language Models (LLMs) has enabled AI scientists to perform complex end-to-end scientific discovery tasks requiring coordination of specialized roles, including idea generation and experimental execution. However, most state-of-the-art AI scientist systems rely on static, hand-designed pipelines and fail to adapt based on accumulated interaction histories. As a result, these systems overlook promising research directions, repeat failed experiments, and pursue infeasible ideas. To address this, we introduce EvoScientist, an evolving multi-agent AI scientist framework that continuously improves research strategies through persistent memory and self-evolution. EvoScientist comprises three specialized agents: a Researcher Agent (RA) for scientific idea generation, an Engineer Agent (EA) for experiment implementation and execution, and an Evolution Manager Agent (EMA) that distills insights from prior interactions into reusable knowledge. EvoScientist contains two persistent memory modules: (i) an ideation memory, which summarizes feasible research directions from top-ranked ideas while recording previously unsuccessful directions; and (ii) an experimentation memory, which captures effective data processing and model training strategies derived from code search trajectories and best-performing implementations. These modules enable the RA and EA to retrieve relevant prior strategies, improving idea quality and code execution success rates over time. Experiments show that EvoScientist outperforms 7 open-source and commercial state-of-the-art systems in scientific idea generation, achieving higher novelty, feasibility, relevance, and clarity via automatic and human evaluation. EvoScientist also substantially improves code execution success rates through multi-agent evolution, demonstrating persistent memory's effectiveness for end-to-end scientific discovery.
- Abstract（参考訳）: LLM(Large Language Models)の採用の増加により、AI科学者はアイデア生成や実験的な実行を含む特別な役割の調整を必要とする複雑なエンドツーエンドの科学的発見タスクを実行できるようになった。
しかし、最先端のAI科学者システムのほとんどは、静的で手作業で設計されたパイプラインに依存しており、蓄積されたインタラクション履歴に基づいて適応できない。
その結果、これらのシステムは有望な研究方向を見落とし、実験を繰り返し、実現不可能なアイデアを追求した。
この問題を解決するために、永続記憶と自己進化を通じて研究戦略を継続的に改善する進化中のマルチエージェントAI科学者フレームワークであるEvoScientistを紹介します。
EvoScientistは、科学的アイデア生成のための研究者エージェント(RA)、実験と実行のためのエンジニアエージェント(EA)、事前の相互作用から再利用可能な知識に洞察を蒸留する進化管理エージェント(EMA)の3つの専門エージェントで構成されている。
EvoScientistには2つの永続メモリモジュールが含まれている。
一 先行して失敗した方向を記録しつつ、上位の考えから可能な研究方向を要約した考え記憶
(2) コード探索トラジェクトリと最良の実装から得られた効果的なデータ処理とモデルトレーニング戦略をキャプチャする実験メモリ。
これらのモジュールにより、RAとEAは関連する事前戦略を検索し、アイデアの品質とコード実行の成功率を改善することができる。
実験によると、EvoScientistは、科学的アイデア生成において、7つのオープンソースおよび商用の最先端システムより優れており、自動的および人的評価を通じて、より新規性、実現可能性、妥当性、明確性を達成する。
EvoScientistはまた、マルチエージェント進化を通じてコード実行の成功率を大幅に改善し、エンドツーエンドの科学的発見に永続的なメモリの有効性を示す。
関連論文リスト
- Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems [52.75919264158643]
進化計算(EC)は、フィードバック駆動型発見のための計算基盤を提供する。
本総説では, 科学的発見のための進化知能(EI)について紹介する。
EIは、探究を継続する科学的なAIシステムの特徴を、候補の洗練と経験の保持を結びつけることで特徴づける。
論文 参考訳（メタデータ） (2026-07-10T01:09:38Z) - AI Scientists as Engines of Discovery: A Case for Development within Reformed Institutions [0.10102237605686408]
エージェント人工知能(AI)システムは、科学的な発見を支援し、加速し、部分的に自動化し始めている。
我々は、適切に設計されたマルチエージェントシステムは、受動的計算ツールからAI科学者へと進化するかもしれないと論じる。
このようなシステムは、目的に適した科学的エコシステム内で開発され、展開されなければならない。
論文 参考訳（メタデータ） (2026-06-22T05:06:29Z) - EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery [51.25847252305662]
EvoSciは、バイオインスパイアされた進化と知識グラフモデリングを統合する、マルチエージェントの科学コラボレーションフレームワークである。
共同推論、共有記憶、進化的フィードバックを組み合わせることで、EvoSciは科学的探索の一貫性と創造性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-20T04:58:49Z) - Beyond AI as Assistants: Toward Autonomous Discovery in Cosmology [0.02455468619225742]
人工知能(AI)エージェントの最近の進歩は、自律的な科学的発見に向けたツールを超えて、AIを推し進めている。
textttCMBEvolve と textttCosmoEvolve の2つの相補的エージェントシステムについて論じる。
宇宙論は、AI科学者システムの開発において、制御されたベンチマークタスクと現実的なオープンな研究課題の両方を提供することができるかを示す。
論文 参考訳（メタデータ） (2026-05-14T12:58:12Z) - CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。
オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。
コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
論文 参考訳（メタデータ） (2026-04-02T05:59:06Z) - OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery [10.217363774023033]
OR-Agentは、リッチな実験環境における自動探査のために設計されたマルチエージェントの研究フレームワークである。
本稿では,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調探索を統一する進化的システム機構を提案する。
我々は古典的最適化ベンチマーク(走行セールスマン、静電容量化車両ルーティング、ビンパッキング、オリエンテーリング、および複数のクナップサック問題を含む)およびシミュレーションに基づく協調運転シナリオを含む実験を行う。
論文 参考訳（メタデータ） (2026-02-14T13:32:03Z) - Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。
本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。
オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
論文 参考訳（メタデータ） (2025-10-10T22:26:26Z) - Dynamic Knowledge Exchange and Dual-diversity Review: Concisely Unleashing the Potential of a Multi-Agent Research Team [53.38438460574943]
IDVSCIは、大規模言語モデル(LLM)上に構築されたマルチエージェントフレームワークである。
動的知識交換機構とデュアルダイバーシティ・レビュー・パラダイムという2つの重要なイノベーションが組み込まれている。
結果は、IDVSCIが2つのデータセットで常に最高のパフォーマンスを達成していることを示している。
論文 参考訳（メタデータ） (2025-06-23T07:12:08Z) - Many Heads Are Better Than One: Improved Scientific Idea Generation by A LLM-Based Multi-Agent System [62.832818186789545]
Virtual Scientists (VirSci) は、科学研究に固有のチームワークを模倣するために設計されたマルチエージェントシステムである。
VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。
このマルチエージェントアプローチは、新しい科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-12T07:16:22Z)
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。