論文の概要: A Self-Evolving Agentic Framework for Metasurface Inverse Design

• arxiv url: http://arxiv.org/abs/2604.01480v1
• Date: Wed, 01 Apr 2026 23:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.158654
• Title: A Self-Evolving Agentic Framework for Metasurface Inverse Design
• Title（参考訳）: 地表面逆設計のための自己進化型エージェント・フレームワーク
• Authors: Yi Huang, Bowen Zheng, Yunxi Dong, Hong Tang, Huan Zhao, S. M. Rakibul Hasan Shawon, Hualiang Zhang,
• Abstract要約: 本稿では,この制約に対処するメタサーフェス・逆設計のためのエージェント・フレームワークを提案する。 複数のメタサーフェス・インバースデザインタスクタイプにまたがるベンチマークで、このフレームワークを評価する。 関連するスキルは、分配タスクの成功を38%から74%に引き上げ、基準の合格率を0.510から0.870に引き上げ、平均試行回数を4.10から2.30に下げる。
• 参考スコア（独自算出の注目度）: 8.93392836569097
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Metasurface inverse design has become central to realizing complex optical functionality, yet translating target responses into executable, solver-compatible workflows still demands specialized expertise in computational electromagnetics and solver-specific software engineering. Recent large language models (LLMs) offer a complementary route to reducing this workflow-construction burden, but existing language-driven systems remain largely session-bounded and do not preserve reusable workflow knowledge across inverse-design tasks. We present an agentic framework for metasurface inverse design that addresses this limitation through context-level skill evolution. The framework couples a coding agent, evolving skill artifacts, and a deterministic evaluator grounded in physical simulation so that solver-specific strategies can be iteratively refined across tasks without modifying model weights or the underlying physics solver. We evaluate the framework on a benchmark spanning multiple metasurface inverse-design task types, with separate training-aligned and held-out task families. Evolved skills raise in-distribution task success from 38% to 74%, increase criteria pass fraction from 0.510 to 0.870, and reduce average attempts from 4.10 to 2.30. On held-out task families, binary success changes only marginally, but improvements in best margin together with shifts in error composition and agent behavior indicate partial transfer of workflow knowledge. These results suggest that the main value of skill evolution lies in accumulating reusable solver-specific expertise around reliable computational engines, thereby offering a practical path toward more autonomous and accessible metasurface inverse-design workflows.
• Abstract（参考訳）: メタ曲面の逆設計は複雑な光学機能を実現する上で中心となってきていますが、ターゲットの応答を実行可能な、ソルバ互換のワークフローに変換するには、計算電磁学やソルバ固有のソフトウェア工学の専門知識が必要です。 最近の大規模言語モデル(LLM)は、このワークフロー構築の負担を軽減するための補完ルートを提供するが、既存の言語駆動システムはセッションバウンドであり、逆設計タスク全体にわたって再利用可能なワークフロー知識を保存しない。 本稿では,この制約に対処するメタサーフェス・逆設計のためのエージェント・フレームワークを提案する。 このフレームワークは、符号化エージェント、進化するスキルアーティファクト、および物理シミュレーションに根ざした決定論的評価器を結合し、モデルウェイトや基礎となる物理ソルバを変更することなく、タスク間でソルバ固有の戦略を反復的に洗練することができる。 我々は,複数のメタ曲面の逆設計タスクタイプにまたがるベンチマークで,個別のトレーニングアライメントとホールドアウトタスクファミリを用いたフレームワークの評価を行った。 関連するスキルは、分配タスクの成功率を38%から74%に引き上げ、基準合格率を0.510から0.870に引き上げ、平均試行回数を4.10から2.30に下げる。 維持されたタスクファミリーでは、バイナリ成功はわずかにしか変化しないが、エラー構成やエージェントの振る舞いの変化とともに、最良マージンの改善はワークフロー知識の部分的な移行を示している。 これらの結果は、信頼性の高い計算エンジンに関する再利用可能な問題解決専門知識を蓄積することで、より自律的でアクセシブルなメタ曲面の逆設計ワークフローへの実践的な道を開くことに、スキル進化の主な価値があることを示唆している。

関連論文リスト

• Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research [2.4251063179584436]
  Mimosaは、タスク固有のマルチエージェントを自動的に合成し、それを反復的に洗練する進化中のマルチエージェントフレームワークである。 Mimosaは完全なオープンソースプラットフォームとしてリリースされ、コミュニティ主導のASRのためのオープンな基盤を提供することを目指している。
  論文  参考訳（メタデータ） (2026-03-30T20:35:57Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent [80.83250816918861]
  o3やDeepSeek-R1のようなLarge Reasoning Models (LRM)は、長いチェーン・オブ・シークレットを持つ自然言語推論において顕著な進歩を遂げている。 しかし、計算的に非効率であり、複雑な数学的操作を必要とする問題を解く際には精度に苦しむ。 本稿では,言語モデルの推論能力とコードインタプリタの計算精度をシームレスに統合するエージェントフレームワークであるAgentMathを紹介する。
  論文  参考訳（メタデータ） (2025-12-23T19:57:49Z)
• Large Language Model as Meta-Surrogate for Data-Driven Many-Task Optimization: A Proof-of-Principle Study [11.452011929848844]
  本研究では,マルチタスク最適化を支援するメタサロゲートフレームワークを提案する。 問題群に適合するメタデータを持つ普遍モデルを定義することにより、多タスクフィットネス予測のための統一的なフレームワークを定式化する。 我々のフレームワークは、双対レベルの知識伝達 -- 代理レベルと個別レベルの両方 -- をサポートし、最適化の効率性と堅牢性を高めます。
  論文  参考訳（メタデータ） (2025-03-11T11:13:11Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• DevFormer: A Symmetric Transformer for Context-Aware Device Placement [12.400790776196667]
  本稿では,ハードウェア設計最適化の複雑で計算に要求される問題に対処するトランスフォーマーベースのアーキテクチャであるDevFormerを提案する。 提案手法は, 相対的な位置埋め込みや行動置換対称性などの強い帰納バイアスを導入することで, この制限に対処する。 DevFoemerは、両方のシミュレーションハードウェアで最先端の手法よりも優れており、性能が向上し、コンポーネントの数を30ドル以上削減できることを示す。
  論文  参考訳（メタデータ） (2022-05-26T08:36:35Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)

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。