Fugu-MT 論文翻訳(概要): pAI/MSc: ML Theory Research with Humans on the Loop

論文の概要: pAI/MSc: ML Theory Research with Humans on the Loop

arxiv url: http://arxiv.org/abs/2604.20622v1
Date: Wed, 22 Apr 2026 14:38:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-23 15:36:11.176168
Title: pAI/MSc: ML Theory Research with Humans on the Loop
Title（参考訳）: pAI/MSc: ループ上の人間によるML理論の研究
Abstract要約: pAI/MScは、学術研究のためのオープンソースの、カスタマイズ可能な、モジュール化されたマルチエージェントシステムである。これは、特定の仮説を文学的に確立され、数学的に確立され、実験的に支持された、提出指向の原稿に変換するために必要な人間の操縦命令によって減少する。
参考スコア（独自算出の注目度）: 0.6335848702857036
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present pAI/MSc, an open-source, customizable, modular multi-agent system for academic research workflows. Our goal is not autonomous scientific ideation, nor fully automated research. It is narrower and more practical: to reduce by orders of magnitude the human steering required to turn a specified hypothesis into a literature-grounded, mathematically established, experimentally supported, submission-oriented manuscript draft. pAI/MSc is built with a current emphasis on machine learning theory and adjacent quantitative fields.
Abstract（参考訳）: pAI/MScは,学術研究ワークフローのためのオープンソースの,カスタマイズ可能なモジュール型マルチエージェントシステムである。私たちの目標は、自律的な科学的考えや完全に自動化された研究ではない。それはより狭く、より実用的であり、ある仮説を文学的、数学的に確立され、実験的に支持された、提出指向の原稿草稿に変換するのに必要な人間の操舵を桁違いに減らす。 pAI/MScは、現在の機械学習理論と隣接する定量的フィールドに重点を置いて構築されている。

関連論文リスト

ReasFlow: Assisting Reasoning-Centric Scientific Discovery in Applied Mathematics via a Knowledge-Based Multi-Agent System [29.871573462927643]
本稿では、推論中心の科学的発見のためのエンドツーエンドの自律エージェントシステムであるReasFlowを紹介する。このシステムは、文学合成、アルゴリズム設計、定理証明、実験、原稿作成を単一のシステムに統合する。 ReasFlowはReasLabプラットフォームを通じて公開されており、AI支援理論研究のための共同作業スペースを提供する。
論文参考訳（メタデータ） (2026-07-15T13:27:20Z)
From Solvers to Research: Large Language Model-Driven Formal Mathematics at the Research Frontier [109.93387172162984]
AI4Mathシステムの次の飛躍は、事前に定義された問題解決者から研究エージェントへの決定的なシフトを必要とする。この分野の体系的なレビューを行い、データセット、自動形式化、証明合成について紹介する。
論文参考訳（メタデータ） (2026-07-08T17:46:36Z)
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)
AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文参考訳（メタデータ） (2026-05-18T17:08:26Z)
MIND: AI Co-Scientist for Material Research [13.842488789399743]
MINDは科学的発見プロセスを仮説の洗練、実験、議論に基づく検証にまとめている。実験的な検証のために、このシステムは機械学習の原子間ポテンシャルを統合する。モジュラー設計により、さらなる実験モジュールを統合でき、より広範な科学的研究に適応できる。
論文参考訳（メタデータ） (2026-04-15T10:27:01Z)
Towards grounded autonomous research: an end-to-end LLM mini research loop on published computational physics [3.7193230342956056]
最近の自律型LLMエージェントは、機械学習研究のエンドツーエンドの自動化を実証している。エージェントが論文を読み、それを再生し、批判し、拡張するミニリサーチループである。このループは、スケールと深さの2つの相補的な条件でテストします。
論文参考訳（メタデータ） (2026-04-14T02:06:59Z)
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)
An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文参考訳（メタデータ） (2025-12-22T15:03:57Z)
Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows [203.3527268311731]
PIM(Practical Inquiry Model)に基づく運用SGI定義を提案する。深層研究、アイデア生成、ドライ/ウェット実験、実験推論の4つのタスクを通じて運用しています。私たちのPIMによる定義、ワークフロー中心のベンチマーク、実証的な洞察は、真に科学的な発見に参加するAIシステムの基盤を確立します。
論文参考訳（メタデータ） (2025-12-18T12:44:36Z)
SFR-DeepResearch: Towards Effective Reinforcement Learning for Autonomously Reasoning Single Agents [93.26456498576181]
本稿では,ディープリサーチのためのネイティブ自律単エージェントモデルの開発に焦点をあてる。我々の最良の変種であるSFR-DR-20Bは、HumanityのLast Examベンチマークで28.7%に達する。
論文参考訳（メタデータ） (2025-09-08T02:07:09Z)
From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
論文参考訳（メタデータ） (2025-05-19T15:41:32Z)
Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。 ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。 LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
論文参考訳（メタデータ） (2025-05-03T14:21:48Z)
IRIS: Interactive Research Ideation System for Accelerating Scientific Discovery [27.218896203253987]
IRISは、研究者が大規模言語モデル(LLM)を補助する科学的概念を活用するために設計されたオープンソースのプラットフォームである。 IRISは、モンテカルロ木探索(MCTS)による適応的なテスト時間計算拡張、きめ細かいフィードバック機構、クエリベースの文献合成など、アイデアを強化する革新的な機能を備えている。我々は様々な分野の研究者とユーザスタディを行い、システムの有効性を検証し、アイデアの充実を図っている。
論文参考訳（メタデータ） (2025-04-23T14:01:36Z)

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。