論文の概要: Beyond Scalar Objectives: Expert-Feedback-Driven Autonomous Experimentation for Scientific Discovery at the Nanoscale

• arxiv url: http://arxiv.org/abs/2605.21820v1
• Date: Wed, 20 May 2026 23:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.028548
• Title: Beyond Scalar Objectives: Expert-Feedback-Driven Autonomous Experimentation for Scientific Discovery at the Nanoscale
• Title（参考訳）: スケーラブルな目的を超えて - ナノスケールでの科学的発見のためのエキスパートフィードバック駆動の自律的な実験
• Authors: Ralph Bulanadi, Jefferey Baxter, Arpan Biswas, Hiroshi Funakubo, Dennis Meier, Jan Schultheiß, Rama Vasudevan, Yongtao Liu,
• Abstract要約: 我々は,人間の専門知識と学際的な科学知識をアクティブな学習ループに組み込む,自律顕微鏡実験のためのアプローチを開発する。 高情報測定領域を効果的に優先順位付けしながら、物理的に意味のあるナノスケール構造を学習する際のDKPLの性能を実証する。 この開発は、専門家の知識を自律的な顕微鏡実験に統合するアプローチを確立し、専門家が指導する自動運転研究所への道筋を示す。
• 参考スコア（独自算出の注目度）: 0.7752643259003706
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Self-driving laboratories or autonomous experimentation are emerging as transformative platforms for accelerating scientific discovery. Bayesian optimization (BO) is among the most widely used machine learning frameworks for these purposes, but these BO-based frameworks rely on predefined scalar descriptors to guide experimentation. In many situations, the determination of an appropriate scalar descriptor can be challenging, and may fail to capture subtle yet scientifically important phenomena apparent to experts with interdisciplinary insight. To overcome this limitation, here we develop deep-kernel pairwise learning (DKPL), an approach for autonomous microscopy experiments which incorporates human expertise and interdisciplinary scientific knowledge into an active learning loop. Instead of relying on explicit scalar objectives, DKPL enables experts to directly evaluate which experimental output is more promising using interdisciplinary knowledge. DKPL then learns a latent utility function from these expert judgements to guide subsequent autonomous microscopy experiments. We demonstrate DKPL's performance in learning physically meaningful nanoscale structures while effectively prioritizing high-information measurement regions using an experimental model dataset with known ground truth. We further apply DKPL to analyze the character of ferroelectric domain walls, where we find DKPL capable of distinguishing between high and low characteristic domain-wall angles in bismuth ferrite, and able to discover both head-to-head and tail-to-tail domain-wall character in erbium manganite. This development establishes an approach to integrate expert knowledge into autonomous microscopy experiments and demonstrates a pathway toward expert-guided self-driving laboratories capable of addressing scientific problems beyond the limits of scalar-metrics-driven learning.
• Abstract（参考訳）: 自動運転車の研究所や自律的な実験は、科学的な発見を加速するための変革的なプラットフォームとして現れつつある。 ベイズ最適化(BO)はこれらの目的のために最も広く使われている機械学習フレームワークであるが、これらのBOベースのフレームワークは実験をガイドするために事前に定義されたスカラー記述子に依存している。 多くの状況において、適切なスカラー記述子を決定することは困難であり、学際的な洞察を持つ専門家に明らかな微妙ながら科学的に重要な現象を捉えることに失敗する可能性がある。 この制限を克服するために,人間の専門知識と学際的な科学的知識をアクティブな学習ループに組み込んだ自律顕微鏡実験のためのアプローチであるディープカーネルペアワイズラーニング(DKPL)を開発した。 明示的なスカラー目的に頼る代わりに、DKPLは専門家が学際的知識を用いてどの実験的な成果がより有望であるかを直接評価できるようにする。 DKPLはその後、これらの専門家の判断から潜在ユーティリティ機能を学び、その後の自律顕微鏡実験をガイドする。 そこで本研究では,DKPLが物理的に意味のあるナノスケール構造を学習する上で,実験モデルデータセットを用いて高情報測定領域を効果的に優先順位付けし,その性能を実証する。 さらに, DKPLを用いて強誘電体ドメイン壁の特性を解析し, ビスマスフェライトの高特性と低特性のドメイン壁角を識別でき, マンガン酸エルビウムの頭-頭-尾-尾-ドメイン壁特性と尾-尾の両方を検出できることがわかった。 この開発は、専門家の知識を自律顕微鏡実験に統合するアプローチを確立し、スカラーメトリックス駆動学習の限界を超えた科学的問題に対処できる専門家誘導型自動運転研究所への道筋を示す。

関連論文リスト

• 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)
• ExpVid: A Benchmark for Experiment Video Understanding & Reasoning [65.17173232816818]
  科学実験ビデオ上でMLLMを体系的に評価する最初のベンチマークであるExpVidを紹介する。 ExpVid 上で 19 個のMLLM を評価し, 粗粒度認識に優れる一方で, 詳細さの曖昧化, 時間経過による状態変化の追跡, 実験手順と科学的成果のリンクに苦慮していることがわかった。 この結果から,特に高次推論において,プロプライエタリモデルとオープンソースモデルとの顕著なパフォーマンスギャップが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-13T16:45:28Z)
• Unveiling Knowledge Utilization Mechanisms in LLM-based Retrieval-Augmented Generation [77.10390725623125]
  検索強化世代(RAG)は知識範囲の拡大に広く利用されている。 RAGは、オープンドメインの質問応答のような知識集約的なタスクを約束しているので、複雑なタスクやインテリジェントアシスタントへの幅広い応用は、その実用性をさらに進歩させてきた。 本稿では、RAGが内部(パラメトリック)知識と外部(検索)知識を統合する本質的なメカニズムを体系的に検討する。
  論文  参考訳（メタデータ） (2025-05-17T13:13:13Z)
• A Framework for Robust Cognitive Evaluation of LLMs [13.822169295436177]
  大規模言語モデル(LLM)の創発的認知能力は広く観察されているが、その性質と基盤メカニズムはいまだによく分かっていない。 我々は,LLMの認知能力を体系的に評価するフレームワークであるCognitivEvalを開発した。
  論文  参考訳（メタデータ） (2025-04-03T17:35:54Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• AutoSciLab: A Self-Driving Laboratory For Interpretable Scientific Discovery [1.1740681158785793]
  AutoSciLabは、自律的な科学実験を駆動するための機械学習フレームワークである。 これは高次元空間における科学的発見を目的とした代理研究者を形成する。 オープンエンドなナノフォトニクスの課題に私たちのフレームワークを適用することで、AutoSciLabは、非コヒーレント発光を誘導する根本的に新しい方法を発見しました。
  論文  参考訳（メタデータ） (2024-12-16T20:41:46Z)
• 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)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian Processes to Hypothesis Learning [0.0]
  ベイズ能動学習の基本原理と走査型プローブ顕微鏡(SPM)への応用について述べる。 これらのフレームワークは、先行データの使用、スペクトルデータに符号化された特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
  論文  参考訳（メタデータ） (2022-05-30T23:01:41Z)

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。