論文の概要: Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search

• arxiv url: http://arxiv.org/abs/2605.16191v1
• Date: Fri, 15 May 2026 17:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.384793
• Title: Optimized Three-Dimensional Photovoltaic Structures with LLM guided Tree Search
• Title（参考訳）: LLM誘導木探索による3次元太陽光発電構造の最適化
• Authors: Michael P. Brenner, Lizzie Dorfman, John C. Platt,
• Abstract要約: 本稿では,AI符号化システムを用いて新しい科学的仮説を創出するケーススタディを提案する。 我々は、汎用符号化エージェント(GoogleのAntiGravity)とLLM駆動ツリー探索アルゴリズム(Empirical Research Assistance / ERA)を組み合わせて、高効率な3DPV構造を自律的に生成する。
• 参考スコア（独自算出の注目度）: 1.7589620883907298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a case study for how AI coding systems can be used to generate novel scientific hypotheses. We combine a generic coding agent (Google's AntiGravity) with an LLM-driven tree search algorithm (Empirical Research Assistance / ERA) to autonomously generate high-efficiency three-dimensional photovoltaic (3DPV) structures that overcome losses limiting flat solar panels at mid-latitudes. These structures operate by presenting favorable angles to the sun throughout the day, and for illustrative purposes we focus on optimizing performance for a single solar day. Our workflow begins by using AntiGravity to reproduce calculations \cite{bernardi2012solar} showing that 3DPV can have energy densities much higher than stationary flat PV panels. We use these initial designs as the starting point for large scale tree search, where we seek improved solutions and score them for their diurnal yield. The initial tree search leads to nominally more efficient solutions, yet they are caused by algorithmic reward hacking, arising from non-physical design features such as structurally levitating disconnected tiers and exploitations of the discretizations in the optics solver. To counteract this, we develop a workflow where the coding agent iteratively patches the physics engine with constraints to eliminate reward hacking. With reward-hacking eliminated, ERA discovers a series of designs with various constraints and improved performance, including optimal designs with different fixed collector areas, optimizing zenith tracking and avoiding self shadowing. Combining coding agents with tree search (ERA) provides a powerful platform for scientific discovery, for problems whose solutions can be empirically evaluated with a score function.
• Abstract（参考訳）: 本稿では,AI符号化システムを用いて新しい科学的仮説を創出するケーススタディを提案する。 我々は,LLM駆動のツリーサーチアルゴリズム(Empirical Research Assistance / ERA)と汎用符号化エージェント(GoogleのAntiGravity)を組み合わせることで,高効率な3次元光電圧(DPV)構造を自律的に生成する。 これらの構造は日中太陽に有利な角度を呈示することで機能し、実証的な目的のために、1日当たりの性能を最適化することに焦点をあてる。 我々のワークフローは、AntiGravityを用いて計算を再現することから始まり、3DPVが定常なPVパネルよりもはるかに高いエネルギー密度を持つことを示す。 我々はこれらの初期設計を大規模な木探索の出発点として使用し、改良された解を求め、日次収量で評価する。 初期木探索は名目上、より効率的な解決策をもたらすが、それらはアルゴリズムによる報酬ハックによって引き起こされる。 これに対抗するために、コーディングエージェントが物理エンジンに繰り返しパッチを当てて報酬のハッキングをなくすワークフローを開発する。 報酬のハックがなくなると、ERAは様々な制約のある一連の設計を発見し、異なる固定コレクター領域の最適設計、ゼニス追跡の最適化、自己シャドーイングの回避など、パフォーマンスを改善した。 プログラミングエージェントと木探索(ERA)を組み合わせることで、スコア関数で経験的に評価できる問題に対して、科学的発見のための強力なプラットフォームを提供する。

関連論文リスト

• Budget-Efficient Automatic Algorithm Design via Code Graph [2.982218441172364]
  大規模言語モデル(LLM)は自動アルゴリズム設計(AAD)のための強力なツールとして登場した。 我々は予算効率のよい自動アルゴリズム設計を定式化し、検索ポリシーは計算コストに制限のある実現された適合性を最大化する。 提案手法を3つの最適化問題に対して実証的に検証し,同じトークン予算で全アルゴリズム探索よりもグラフ検索の方が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2026-05-11T14:01:52Z)
• An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code [46.879983975894135]
  本研究の目的は, LLM がエネルギー効率の良いコード生成にどう最適化できるか, 検討することである。 CPTはContrastive Learningテクニックを組み合わせることで、モデルが効率的かつ非効率なコードを区別するのに役立つ。 本研究では,Python,Java,C++の3つのモデルにまたがるコーディング問題のCPTを評価し,包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-03T12:36:15Z)
• Contrastive Concept-Tree Search for LLM-Assisted Algorithm Discovery [10.823958143531685]
  大規模言語モデル (LLM) によるアルゴリズム発見は、プログラムに対する反復的、ブラックボックス最適化プロセスである。 本稿では、生成したプログラムから階層的な概念表現を抽出するContrastive Concept-Tree Search(CCTS)を紹介する。 CCTSは、フィットネスベースのベースラインよりも検索効率を向上し、解釈可能なタスク固有の概念ツリーを生成する。
  論文  参考訳（メタデータ） (2026-02-03T05:41:35Z)
• Agent Alpha: Tree Search Unifying Generation, Exploration and Evaluation for Computer-Use Agents [6.357946414392768]
  Agent Alphaは、ステップレベルのモンテカルロ木探索(MCTS)を通じて生成、探索、評価を相乗化するための統合フレームワークである OSWorldベンチマークでは、Agens Alphaは最先端の成功率$sim 77%を達成し、同等の計算で軌道レベルのベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-03T02:07:12Z)
• AT$^2$PO: Agentic Turn-based Policy Optimization via Tree Search [19.443576967819684]
  LLMエージェントは、内部推論と外部ツールの相互作用をインターリーブすることによって、マルチターンタスクに対処する強力なシステムとして登場した。 マルチターンエージェントRLのための統合フレームワークであるAT$2$POを提案する。
  論文  参考訳（メタデータ） (2026-01-08T09:35:49Z)
• TreeLoRA: Efficient Continual Learning via Layer-Wise LoRAs Guided by a Hierarchical Gradient-Similarity Tree [52.44403214958304]
  本稿では階層的な勾配の類似性を利用して階層型アダプタを構築する新しい手法であるTreeLoRAを紹介する。 タスク類似度推定の計算負担を軽減するために,より低い信頼度境界に基づくアルゴリズムを開発するために,バンド手法を用いる。 視覚変換器 (ViTs) と大規模言語モデル (LLMs) の両方を用いた実験により, 提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2025-06-12T05:25:35Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• CodeTree: Agent-guided Tree Search for Code Generation with Large Language Models [106.11371409170818]
  大規模言語モデル(LLM)は、生成されたコードを自己定義し、自律的に改善する機能を持つエージェントとして機能する。 コード生成プロセスの異なる段階における探索空間を効率的に探索するLLMエージェントのためのフレームワークであるCodeTreeを提案する。 具体的には、異なるコーディング戦略を明示的に探求し、対応するコーディングソリューションを生成し、その後、ソリューションを洗練するために統合されたツリー構造を採用しました。
  論文  参考訳（メタデータ） (2024-11-07T00:09:54Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)

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。