論文の概要: GRAFT-ATHENA: Self-Improving Agentic Teams for Autonomous Discovery and Evolutionary Numerical Algorithms

• arxiv url: http://arxiv.org/abs/2605.11117v1
• Date: Mon, 11 May 2026 18:27:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.353664
• Title: GRAFT-ATHENA: Self-Improving Agentic Teams for Autonomous Discovery and Evolutionary Numerical Algorithms
• Title（参考訳）: GRAFT-AtheNA:自律的発見と進化的数値アルゴリズムのための自己改善型エージェントチーム
• Authors: Juan Diego Toscano, Zhaojie Chai, George Em Karniadakis,
• Abstract要約: 自己改善型エージェントフレームワークであるGRAFT-ATHENAが過去の問題から自律的に学習していることを示す。 このフレームワークはさまざまなドメインにまたがって独自のアクション空間を拡張している。 1968年の報告書から、アポロ計画モジュール上のマッハ-10フローのような複雑な工学的な問題に取り組む。
• 参考スコア（独自算出の注目度）: 4.235429894371577
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scientific discovery can be modeled as a sequence of probabilistic decisions that map physical problems to numerical solutions. Recent agentic AI systems automate individual scientific tasks by orchestrating LLM-driven planners, solvers, and evaluators. Each method is a combination of methodological actions, with many viable combinations for any given problem and structural dependencies between choices. However, existing frameworks treat each problem in isolation, with no shared substrate to accumulate methodological experience across domains. Here we show that GRAFT-ATHENA, a self-improving agentic framework, learns from past problems and autonomously expands its own action space across diverse domains. GRAFT (Graph Reduction to Adaptive Factored Trees) projects combinatorial decision spaces into factored probabilistic trees in which each method is a single path, taking the parameter footprint from exponential to linear. In the lineage of classical Bayesian networks, the factorization is an $I$-map of the policy, and the resulting paths embed as unique fingerprints in a metric space whose closeness lets each new problem learn from similar past ones. On canonical physics-informed machine learning (PIML) benchmarks, GRAFT-ATHENA improves over human and prior agentic baselines, and on production solvers, it tackles complex engineering problems such as reconstructing Mach-10 flow over the Apollo Command Module from a 1968 report and recovering shear-thinning blood-cell rheology. Notably, the system grows its own knowledge substrate, autonomously proposing regularization constraints for ill-posed inverse problems and discovering new numerical methods such as a spectral PINN with exponential convergence. These results provide a foundation for autonomous laboratories that grow more capable with every problem they solve.
• Abstract（参考訳）: 科学的発見は、物理問題を数値解にマッピングする確率論的決定の系列としてモデル化することができる。 最近のエージェントAIシステムは、LSM駆動のプランナー、問題解決者、評価者を編成することで、個々の科学的タスクを自動化する。 それぞれの方法は方法論的行動の組み合わせであり、任意の問題に対する多くの実行可能な組み合わせと選択間の構造的依存関係である。 しかし、既存のフレームワークは各問題を分離して扱い、ドメイン間で方法論的経験を蓄積する共有基板は存在しない。 ここでは、自己改善型エージェントフレームワークであるGRAFT-ATHENAが過去の問題から学習し、多様なドメインにまたがる独自のアクション空間を自律的に拡張することを示す。 GRAFT (Graph Reduction to Adaptive Factored Trees) は、パラメータのフットプリントを指数関数から線形に変換するために、各手法が単一経路である因子付き確率木に合成決定空間を計画する。 古典的ベイズ的ネットワークの系統では、因子化はポリシーの$I$-mapであり、その結果のパスは距離空間にユニークな指紋として埋め込まれ、それぞれの新しい問題が同じ過去のものから学ぶことができる。 標準物理学インフォームド・機械学習(PIML)ベンチマークでは、GRAFT-ATHENAは人間および以前のエージェントベースラインよりも改善され、プロダクション・ソルバでは1968年の報告からアポロ・コマンド・モジュール上でのマッハ-10フローの再構築や血液細胞レオロジーの回復といった複雑なエンジニアリング問題に対処する。 特に、システムは独自の知識基盤を成長させ、不正な逆問題に対する正規化制約を自律的に提案し、指数収束を伴うスペクトルPINNのような新しい数値手法を発見する。 これらの結果は、彼らが解決するすべての問題において、より有能に成長する自律的な研究所の基盤を提供する。

関連論文リスト

• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• 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)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)
• Attributions Beyond Neural Networks: The Linear Program Case [17.103787431518683]
  リニアプログラム(LP)は、機械学習におけるビルディングブロックの1つであり、学習システムにおける差別化の最近の進歩を後押ししてきた。 我々は、ニューラルネットワークシステム用に設計された説明可能な人工知能(XAI)からの帰属法の適用を正当化するLPのニューラルエンコーディングを検討するアプローチを導入する。
  論文  参考訳（メタデータ） (2022-06-14T23:08:43Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。