論文の概要: The Non-Optimality of Scientific Knowledge: Path Dependence, Lock-In, and The Local Minimum Trap

• arxiv url: http://arxiv.org/abs/2604.11828v2
• Date: Wed, 15 Apr 2026 04:37:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 13:09:57.451548
• Title: The Non-Optimality of Scientific Knowledge: Path Dependence, Lock-In, and The Local Minimum Trap
• Title（参考訳）: 科学的知識の最適性:経路依存、ロックイン、局所的最小トラップ
• Authors: Mohamed Mabrok,
• Abstract要約: 我々は,科学がトラクタビリティ,経験的アクセシビリティ,制度的報酬の最も急激な局所勾配に従うことを主張する。 ロック・イン・認知・フォーマル・制度の3つのインターロック機構を同定し,これらのメカニズムの認識は,局所的なオプティマから逃れることのできるメタ科学的戦略を設計するための前提条件である,と論じる。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Science is widely regarded as humanity's most reliable method for uncovering truths about the natural world. Yet the \emph{trajectory} of scientific discovery is rarely examined as an optimization problem in its own right. This paper argues that the body of scientific knowledge, at any given historical moment, represents a \emph{local optimum} rather than a global one--that the frameworks, formalisms, and paradigms through which we understand nature are substantially shaped by historical contingency, cognitive path dependence, and institutional lock-in. Drawing an analogy to gradient descent in machine learning, we propose that science follows the steepest local gradient of tractability, empirical accessibility, and institutional reward, and in doing so may bypass fundamentally superior descriptions of nature. We develop this thesis through detailed case studies spanning mathematics, physics, chemistry, biology, neuroscience, and statistical methodology. We identify three interlocking mechanisms of lock-in--cognitive, formal, and institutional--and argue that recognizing these mechanisms is a prerequisite for designing meta-scientific strategies capable of escaping local optima. We conclude by proposing concrete interventions and discussing the epistemological implications of our thesis for the philosophy of science.
• Abstract（参考訳）: 科学は、自然界に関する真実を明らかにするための人類の最も信頼できる方法として広く見なされている。 しかし、科学的発見のemph{trajectory}は、それ自体が最適化問題として研究されることは滅多にない。 本稿は, 科学知識の体系は, いかなる歴史的瞬間においても, グローバルな枠組みや形式主義, パラダイムではなく, 歴史的緊急性, 認知的経路依存, 制度的ロックインによって, 大きく形づくられていることを論じる。 機械学習における勾配降下に類似して、科学は、トラクタビリティ、経験的アクセシビリティ、制度的報酬の最も急激な局所勾配に従うことを提案し、それを行うと、本質的に優れた自然の記述を回避できるかもしれない。 この論文は、数学、物理学、化学、生物学、神経科学、統計的方法論にまたがる詳細なケーススタディを通して展開する。 ロックイン・ロックの3つのメカニズムは,認知的,形式的,制度的であり,これらのメカニズムの認識は,局所的オプティマから逃れることのできるメタ科学的戦略を設計するための前提条件である,と論じる。 我々は、具体的な介入を提案し、科学哲学に対する論文の認識論的意味を議論することで結論付けた。

関連論文リスト

• 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)
• SciIF: Benchmarking Scientific Instruction Following Towards Rigorous Scientific Intelligence [60.202862987441684]
  科学的妥当性を確立する制約に厳格に固執しながら、問題を解決する能力。 具体的には,大学レベルの問題と制約の固定されたカタログをペアにすることで,この能力を評価するマルチディシプリンのベンチマークであるSciIFを紹介する。 SciIFは、解の正当性と多拘束性の両方を測定することにより、構成的推論失敗のきめ細かい診断を可能にする。
  論文  参考訳（メタデータ） (2026-01-08T09:45:58Z)
• Realism and Ontology in Quantum Mechanics and String Theory [0.0]
  物理学の二重性は科学リアリズムの伝統的な形式に挑戦してきた。 オントロジ的コミットメントは、特定の経験的文脈に結びつくものとして扱われるべきである、と我々は主張する。 我々は、構造的リアリズムの頑健な形態を維持しながら、存在論的多元主義をどのように扱うかを示す。
  論文  参考訳（メタデータ） (2025-12-18T23:31:13Z)
• 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)
• Newton to Einstein: Axiom-Based Discovery via Game Design [55.30047000068118]
  本稿では,ルール進化システムとして科学調査を再放送するゲームデザインフレームワークを提案する。 固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は新たな理論構造の発見を可能にする。
  論文  参考訳（メタデータ） (2025-09-05T18:59:18Z)
• Demystifying Scientific Problem-Solving in LLMs by Probing Knowledge and Reasoning [53.82037883518254]
  SciReasは、科学的推論タスクのための様々なベンチマークスイートである。 次に、科学的タスクにおける推論と知識の異なる役割を研究するための探索フレームワークであるKRUXを提案する。
  論文  参考訳（メタデータ） (2025-08-26T17:04:23Z)
• "Cause" is Mechanistic Narrative within Scientific Domains: An Ordinary Language Philosophical Critique of "Causal Machine Learning" [2.5782973781085383]
  因果学習は統計学と機械学習の研究の主要なテーマとして登場した。 本稿では,真の原因と影響現象の認識について考察する。
  論文  参考訳（メタデータ） (2025-01-10T10:36:26Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Algorithmic Bayesian Epistemology [2.44755919161855]
  コンピュータ科学におけるアルゴリズムレンズの1つの側面は、現実世界の制約に従う他の科学分野に対する見解である。 この論文は、分子生物学、生態学、神経科学、量子物理学の分野にアルゴリズムレンズを適用している。
  論文  参考訳（メタデータ） (2024-03-11T23:03:04Z)

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。