論文の概要: ResearchEVO: An End-to-End Framework for Automated Scientific Discovery and Documentation
- arxiv url: http://arxiv.org/abs/2604.05587v1
- Date: Tue, 07 Apr 2026 08:29:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.717017
- Title: ResearchEVO: An End-to-End Framework for Automated Scientific Discovery and Documentation
- Title（参考訳）: ResearchEVO: 科学的発見と文書の自動作成のためのエンドツーエンドフレームワーク
- Authors: Zhe Zhao, Haibin Wen, Jiaming Ma, Jiachang Zhan, Tianyi Xu, Ye Wei, Qingfu Zhang,
- Abstract要約: ResearchEVOは、発見と説明のパラダイムをインスタンス化するエンドツーエンドフレームワークである。
ResearchEVOは、この完全なパイプラインをエンドツーエンドでカバーする最初のシステムである。
この枠組みを2つの学際的な科学的問題に対して検証する。
- 参考スコア（独自算出の注目度）: 21.79305115558105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important recurring pattern in scientific breakthroughs is a two-stage process: an initial phase of undirected experimentation that yields an unexpected finding, followed by a retrospective phase that explains why the finding works and situates it within existing theory. We present ResearchEVO, an end-to-end framework that computationally instantiates this discover-then-explain paradigm. The Evolution Phase employs LLM-guided bi-dimensional co-evolution -- simultaneously optimizing both algorithmic logic and overall architecture -- to search the space of code implementations purely by fitness, without requiring any understanding of the solutions it produces. The Writing Phase then takes the best-performing algorithm and autonomously generates a complete, publication-ready research paper through sentence-level retrieval-augmented generation with explicit anti-hallucination verification and automated experiment design. To our knowledge, ResearchEVO is the first system to cover this full pipeline end to end: no prior work jointly performs principled algorithm evolution and literature-grounded scientific documentation. We validate the framework on two cross-disciplinary scientific problems -- Quantum Error Correction using real Google quantum hardware data, and Physics-Informed Neural Networks -- where the Evolution Phase discovered human-interpretable algorithmic mechanisms that had not been previously proposed in the respective domain literatures. In both cases, the Writing Phase autonomously produced compilable LaTeX manuscripts that correctly grounded these blind discoveries in existing theory via RAG, with zero fabricated citations.
- Abstract（参考訳）: 科学的なブレークスルーにおいて重要なパターンは、2段階のプロセスである: 予期せぬ発見をもたらす無向的な実験の最初のフェーズ、そして、発見がなぜ機能し、既存の理論内に配置されるのかを説明する振り返りフェーズである。
我々は,この発見と説明のパラダイムを計算的にインスタンス化する,エンドツーエンドのフレームワークであるResearchEVOを提案する。
進化段階は、LLM誘導の2次元共進化(アルゴリズム論理と全体的なアーキテクチャの両方を同時に最適化する)を用いて、生成するソリューションの理解を必要とせず、純粋に適合性によってコード実装の空間を探索する。
その後、執筆フェーズは最高のパフォーマンスのアルゴリズムを採り、明示的な反ハロシン化検証と自動実験設計による文レベルの検索強化生成を通じて、完全かつ出版可能な研究論文を自動生成する。
私たちの知る限り、ResearchEVOは、この完全なパイプラインを終末までカバーする最初のシステムです。
このフレームワークは、Googleの実際の量子ハードウェアデータを用いた量子エラー補正と、進化段階が、これまで各ドメインの文献で提案されていなかった人間解釈可能なアルゴリズムメカニズムを発見した物理情報ニューラルネットワークという、2つの学際的な科学的問題に対して検証する。
どちらの場合も、書記段階はコンパイル可能なLaTeXの原稿を自動生成し、RAGを通して既存の理論の盲点の発見を正しく根拠づけた。
関連論文リスト
- Early Discoveries of Algorithmist I: Promise of Provable Algorithm Synthesis at Scale [9.349595533902479]
Algorithmistは、GitHub Copilot上の自律的な研究者エージェントである。
プライベートデータ分析およびクラスタリングにおける研究レベルのタスクについて評価する。
結果は,LLMシステムが各データセットやデプロイメント設定に合わせて,研究論文品質のアルゴリズムアーティファクトを生成する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-23T04:06:55Z) - Can we automatize scientific discovery in the cognitive sciences? [20.166894780789725]
心のシリコ科学における完全自動化に向けてのパラダイムシフトを提案する。
このフレームワークは、Large Language Models (LLM)を使用して、発見サイクルのすべてのステージを実装する。
論文 参考訳（メタデータ） (2026-03-22T00:15:58Z) - Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。
この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。
このボトルネックは、帰属の曖昧さに起因している。
本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
論文 参考訳（メタデータ） (2026-02-05T04:19:52Z) - ATHENA: Agentic Team for Hierarchical Evolutionary Numerical Algorithms [4.235429894371577]
AtheNAは、エンドツーエンドの計算研究ライフサイクルを管理するためにAutonomous Labとして設計されたエージェントフレームワークである。
その中核は知識駆動型診断プロセスであるHENAループである。
このフレームワークは超人的パフォーマンスを実現し、検証エラーは10～14ドルに達する。
論文 参考訳（メタデータ） (2025-12-03T06:05:27Z) - A Survey of AI Scientists [34.89083692070133]
人工知能は、計算機器から科学知識の自律的創始者へと大きく移行している。
本調査では, エンド・ツー・エンドの科学的プロセスを, 文献レビュー, イデオロギー生成, 実験準備, 実験実施, 科学著作, 論文生成に分解する, 統合された6段階の方法論的枠組みを紹介する。
論文 参考訳（メタデータ） (2025-10-27T06:13:21Z) - WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。
人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。
私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
論文 参考訳（メタデータ） (2025-09-16T17:57:21Z) - CodeScientist: End-to-End Semi-Automated Scientific Discovery with Code-based Experimentation [48.12054700748627]
CodeScientistは、遺伝的検索の形式として、アイデアと実験を共同で行う新しいASDシステムである。
我々はこのパラダイムを用いて、エージェントと仮想環境の領域において、機械生成のアイデアを幅広く数百もの自動実験する。
論文 参考訳（メタデータ） (2025-03-20T22:37:17Z) - Automating Intervention Discovery from Scientific Literature: A Progressive Ontology Prompting and Dual-LLM Framework [56.858564736806414]
本稿では,大規模言語モデル(LLM)を利用した科学文献の介入の同定手法を提案する。
言語病理領域における64,177論文のコーパスから,2,421件の介入が得られた。
論文 参考訳（メタデータ） (2024-08-20T16:42:23Z) - Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。
従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。
パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
論文 参考訳（メタデータ） (2023-09-06T05:19:41Z)
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。