論文の概要: Machine Collective Intelligence for Explainable Scientific Discovery

• arxiv url: http://arxiv.org/abs/2604.27297v1
• Date: Thu, 30 Apr 2026 01:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.861018
• Title: Machine Collective Intelligence for Explainable Scientific Discovery
• Title（参考訳）: 説明可能な科学的発見のための機械集合インテリジェンス
• Authors: Gyoung S. Na, Chanyoung Park,
• Abstract要約: 機械集合知能は、記号的仮説を進化させるために複数の推論エージェントを編成する。 決定論的、あるいは以前は文字化されていなかった力学によって支配される科学システム全体にわたって、機械集合知能は、基礎となる支配方程式を自律的に回復した。
• 参考スコア（独自算出の注目度）: 20.865893351903072
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deriving governing equations from empirical observations is a longstanding challenge in science. Although artificial intelligence (AI) has demonstrated substantial capabilities in function approximation, the discovery of explainable and extrapolatable equations remains a fundamental limitation of modern AI, posing a central bottleneck for AI-driven scientific discovery. Here, we present machine collective intelligence, a unified paradigm that integrates two fundamental yet distinct traditions in computational intelligence--symbolism and metaheuristics--to enable autonomous and evolutionary discovery of governing equations. It orchestrates multiple reasoning agents to evolve their symbolic hypotheses through coordinated generation, evaluation, critique, and consolidation, enabling scientific discovery beyond single-agent inference. Across scientific systems governed by deterministic, stochastic, or previously uncharacterized dynamics, machine collective intelligence autonomously recovered the underlying governing equations without relying on hand-crafted domain knowledge. Furthermore, the resulting equations reduced extrapolation error by up to six orders of magnitude relative to deep neural networks, while condensing 0.5-1 million model parameters into just 5-40 interpretable parameters. This study marks an important shift in AI toward the autonomous discovery of principled scientific equations.
• Abstract（参考訳）: 経験的観察から支配方程式を導出することは、科学における長年の挑戦である。 人工知能(AI)は、関数近似の実質的な能力を示しているが、説明可能な、外挿可能な方程式の発見は、現代AIの基本的な制限であり、AI駆動の科学的な発見において中心的なボトルネックとなっている。 ここでは、機械集合知能について述べる。これは、計算知能において2つの根本的かつ異なる伝統、-シンボリズムとメタヒューリスティックスを統合する統一パラダイムであり、支配方程式の自律的および進化的発見を可能にする。 複数の推論エージェントを編成し、調整された生成、評価、批判、統合を通じて象徴的な仮説を進化させ、単一エージェント推論を越えて科学的発見を可能にする。 決定論的、確率的、あるいは以前は文字化されていなかった力学によって支配される科学システム全体にわたって、機械集合知能は、手作りのドメイン知識に頼ることなく、基礎となる支配方程式を自律的に回復した。 さらに、結果の方程式は、深いニューラルネットワークと比較して最大6桁まで外挿誤差を減少させ、0.5～1百万のモデルパラメータをわずか5～40の解釈可能なパラメータに縮合させた。 この研究は、原理化された科学方程式の自律的な発見に向けて、AIの重要な転換点となる。

関連論文リスト

• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery [108.1082357960201]
  エージェントAIは仮説生成、実験設計、実行、分析、反復的洗練の能力を示す。 この調査は、生命科学、化学、材料科学、物理学にまたがる自律的な科学的発見のドメイン指向のレビューを提供する。
  論文  参考訳（メタデータ） (2025-08-18T05:25:54Z)
• Position: Intelligent Science Laboratory Requires the Integration of Cognitive and Embodied AI [98.19195693735487]
  知的科学研究所(ISL)のパラダイムを提案する。 ISLは、認知と具体的知性を深く統合した多層クローズドループフレームワークである。 このようなシステムは、現在の科学的発見の限界を克服するために不可欠である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-24T13:31:44Z)
• 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)
• Artificial Intelligence without Restriction Surpassing Human Intelligence with Probability One: Theoretical Insight into Secrets of the Brain with AI Twins of the Brain [20.956507640605093]
  人工知能(AI)は、将来的には人間の知性を上回るように進化するのか? 本稿では、理論上、神経科学のための新しい細胞レベルのAI技術を持つ新しいAIツインが、脳とその機能システムに近似できることを示す。 本稿では,70年前にFrank Rosenblatt氏がAIの可能性について行った予想の有効性を間接的に証明する。
  論文  参考訳（メタデータ） (2024-12-04T13:17:44Z)
• Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence [0.9065034043031668]
  我々は、人類の科学的発見のための複雑な推論が、少なくとも人工知能の出現以前には重要な存在であると主張している。 意思決定に使用されるAIシステムの原則を知ることは、ドメインの専門家や科学者と接触するポイントになり得る。 我々は、この分野を、予測AIシステムの解釈可能性に基づいて、領域の専門家が科学的仮説と説明を定式化する、説明可能な科学用AIと定義する。
  論文  参考訳（メタデータ） (2024-06-15T08:34:42Z)
• Automated Scientific Discovery: From Equation Discovery to Autonomous Discovery Systems [3.6321437220736295]
  本稿では、方程式発見から記号回帰から自律的な発見システムやエージェントまで、自動的な科学的発見を調査する。 我々は、Adamシステムに関する先駆的な研究から、物質科学から天文学まで、現在の分野への取り組みまで、クローズドループ科学発見システムを紹介する。 レベル5の最大レベルは、科学的知識の創出において人間の介入を必要としないと定義されている。
  論文  参考訳（メタデータ） (2023-05-03T16:35:41Z)
• Neurocompositional computing: From the Central Paradox of Cognition to a new generation of AI systems [120.297940190903]
  AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。 ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
  論文  参考訳（メタデータ） (2022-05-02T18:00:10Z)

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。