論文の概要: AI Can Learn Scientific Taste

• arxiv url: http://arxiv.org/abs/2603.14473v1
• Date: Sun, 15 Mar 2026 16:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.828285
• Title: AI Can Learn Scientific Taste
• Title（参考訳）: AIは科学的な味を学べる
• Abstract要約: 偉大な科学者は、私たちが科学的な趣味と呼ぶものと密接に結びついている、強い判断と先見性を持っている。 ここでは、この用語を用いて、潜在的な影響の高い研究アイデアを判断し、提案する能力を指す。 我々の研究結果は、AIが科学的嗜好を学習できることを示し、人間レベルのAI科学者に到達するための重要なステップをマークしている。
• 参考スコア（独自算出の注目度）: 123.03470627335189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Great scientists have strong judgement and foresight, closely tied to what we call scientific taste. Here, we use the term to refer to the capacity to judge and propose research ideas with high potential impact. However, most relative research focuses on improving an AI scientist's executive capability, while enhancing an AI's scientific taste remains underexplored. In this work, we propose Reinforcement Learning from Community Feedback (RLCF), a training paradigm that uses large-scale community signals as supervision, and formulate scientific taste learning as a preference modeling and alignment problem. For preference modeling, we train Scientific Judge on 700K field- and time-matched pairs of high- vs. low-citation papers to judge ideas. For preference alignment, using Scientific Judge as a reward model, we train a policy model, Scientific Thinker, to propose research ideas with high potential impact. Experiments show Scientific Judge outperforms SOTA LLMs (e.g., GPT-5.2, Gemini 3 Pro) and generalizes to future-year test, unseen fields, and peer-review preference. Furthermore, Scientific Thinker proposes research ideas with higher potential impact than baselines. Our findings show that AI can learn scientific taste, marking a key step toward reaching human-level AI scientists.
• Abstract（参考訳）: 偉大な科学者は、私たちが科学的な趣味と呼ぶものと密接に結びついている、強い判断と先見性を持っている。 ここでは、この用語を用いて、潜在的な影響の高い研究アイデアを判断し、提案する能力を指す。 しかしながら、最も相対的な研究は、AI科学者のエグゼクティブ能力の改善に焦点が当てられている一方で、AIの科学的嗜好の強化はいまだに未熟である。 本研究では,コミュニティフィードバックからの強化学習(Reinforcement Learning from Community Feedback, RLCF)を提案する。 選好モデルでは,700Kのフィールドとタイムマッチングによる高レベルの論文と低レベルの論文のペアでScientific Judgeを訓練し,アイデアを判断する。 選好アライメントのために,Scientific Judge を報酬モデルとして,Scientific Thinker という政策モデルを用いて,潜在的影響の高い研究アイデアを提案する。 実験では、科学裁判官はSOTA LLM(例: GPT-5.2, Gemini 3 Pro)より優れており、将来のテスト、見えないフィールド、ピアレビューの好みに一般化されている。 さらに、Scientific Thinkerはベースラインよりも潜在的に高い影響を持つ研究アイデアを提案する。 我々の研究結果は、AIが科学的嗜好を学習できることを示し、人間レベルのAI科学者に到達するための重要なステップをマークしている。

関連論文リスト

• AgentIdeaBench: Benchmarking Scientific Ideation in the Agent Era [55.37558486468993]
  AgentIdeaBenchは、静的観測とアクティブ探索という2つの一致した条件下で科学的思考を評価するベンチマークである。 5つの分野にまたがる40の高密度サブフィールドにおける33個のLDMの静的アクティブ評価を一致させた。 アクティブな探索により、ヘッドルームの能力は大幅に向上し、ヘッドルームはモデル間で不均一に分散される。
  論文  参考訳（メタデータ） (2026-09-07T15:19:13Z)
• Can LLMs Discover Scientific Laws in Real and Parallel Worlds? [58.76147897928744]
  SCILAWS-BENCHは、公表された研究と実際の科学データから構築された科学法発見のためのベンチマークである。 381の科学論文から118の問題を抽出し、291の法則と6つの科学分野にわたる800万の実際のデータポイントをカバーしている。 予測適合性は、科学的妥当性から分岐し、モデルが公表された公式を再現するか、移動するかを記憶する形に変化し、我々のベスト・オブ・N研究は選択ボトルネックを明らかにした。
  論文  参考訳（メタデータ） (2026-09-01T17:17:59Z)
• Contemporary AI lacks the imagination to diverge or negate in science [4.024882945191284]
  生物学、医学、化学、社会科学にまたがる121,640人の著者が、自分たちの論文の文脈やパズルから大きな言語モデルが生成されるという考えを判断するために招かれた。 6,749人の科学者が25,139セットのノベルティ、経験的実現可能性、真である可能性、養子縁組の適性について評価した。 第二に、社会科学者は生命科学者よりもリスクを容認するが、新奇性よりも自分自身に類似したアイデアと賞の確率に報いる。 第3に、コミュニティが現在依存している自動評価は、専門家の判断と弱く一致し、検索の強化と科学者のペルソナは利得の限界のみを推し進める。
  論文  参考訳（メタデータ） (2026-06-06T16:39:28Z)
• Agentic AI Scientists Are Not Built For Autonomous Scientific Discovery [23.774769836398036]
  成長する研究機関は、エンドツーエンドの科学的発見が可能なAI科学者を追求している。 このポジションペーパーでは、彼らはすでに共同科学者として機能しているが、エージェントAI科学者は自律的な科学的発見のために構築されていないと論じている。
  論文  参考訳（メタデータ） (2026-05-09T13:52:23Z)
• 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)
• How Far Are AI Scientists from Changing the World? [30.483767443654504]
  AI科学者は、世界を変え、科学研究パラダイムを変えるのにどれくらい時間がかかるのか? 我々は、AI Scientistシステムの現在の成果を包括的に分析する展望駆動レビューを提供する。 この調査が、現在のAI Scientistシステムの限界の明確化に寄与することを願っている。
  論文  参考訳（メタデータ） (2025-07-31T06:32:06Z)
• Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
  自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。 AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。 これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2025-03-28T14:00:27Z)
• AI Expands Scientists' Impact but Contracts Science's Focus [15.771625061196927]
  我々は、科学者によるAIの採用の加速と、AIの使用に関連する一貫したプロのアドバンテージを示す。 AIによる研究に従事している科学者は、3.02倍の論文を発行し、さらに4.84倍の引用を受け取る。 対照的に、AI研究は4.63%の科学的トピックの総量を削減する。
  論文  参考訳（メタデータ） (2024-12-10T18:24:17Z)
• 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)
• The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery [14.465756130099091]
  本稿では,完全自動科学的発見のための最初の包括的枠組みについて述べる。 我々は、新しい研究アイデアを生成し、コードを書き、実験を実行し、結果を視覚化し、その結果を説明するThe AI Scientistを紹介します。 原則として、このプロセスは、人間の科学コミュニティのように行動しながら、オープンな方法でアイデアを反復的に発展させることができる。
  論文  参考訳（メタデータ） (2024-08-12T16:58:11Z)
• Interesting Scientific Idea Generation using Knowledge Graphs and LLMs: Evaluations with 100 Research Group Leaders [0.6906005491572401]
  我々は,5800万件の研究論文と大規模言語モデルを用いて研究アイデアを生成するSciMuseを紹介した。 我々は、100以上の研究グループのリーダーが興味に基づいて4,400以上のパーソナライズされたアイデアをランク付けする大規模な評価を行う。 このデータにより,(1)人間の評価に基づいて訓練された教師付きニューラルネットワーク,(2)大規模言語モデルを用いた教師なしゼロショットランキングを用いて,研究の関心を予測できる。
  論文  参考訳（メタデータ） (2024-05-27T11:00:51Z)
• Interactive Visual Reasoning under Uncertainty [29.596555383319814]
  我々は,不確実性下での人工エージェントの推論能力を評価するためのIVRE環境を考案した。 IVREは、Blicket検出を中心にしたリッチなシナリオを特徴とする対話型環境である。
  論文  参考訳（メタデータ） (2022-06-18T13:32:41Z)

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。