論文の概要: LLM-AutoSciLab: Closed-Loop Scientific Discovery via Active Experimentation with LLMs

• arxiv url: http://arxiv.org/abs/2605.24043v1
• Date: Thu, 21 May 2026 20:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.55513
• Title: LLM-AutoSciLab: Closed-Loop Scientific Discovery via Active Experimentation with LLMs
• Title（参考訳）: LLM-AutoSciLab: LLMによるアクティブ実験によるクローズドループ科学発見
• Authors: Sanchit Kabra, Nikhil Abhyankar, Saaketh Desai, Prasad Iyer, Chandan K Reddy,
• Abstract要約: LLM-AutoSciLabは仮説生成と仮説条件付き実験選択とメカニズム改善を結合したクローズドループフレームワークである。 検証可能な仮説を反復的に提案し、それらを識別または洗練するために情報的実験を選択し、その結果の証拠を用いてその状態を更新する。 NewtonBenchとActiveSciBench-Chemの67.6%と35.1%のシンボル精度、ActiveSciBench-GRNの31.1%の正確なグラフリカバリを実現している。
• 参考スコア（独自算出の注目度）: 12.148000968407802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery is a closed-loop process in which hypotheses guide data acquisition and observations refine the hypothesis space. Yet most approaches reduce discovery to supervised learning over fixed datasets, where limited observations can support multiple plausible mechanisms that fit locally but fail to generalize. Thus, the key challenge is selecting informative observations to resolve uncertainty, shifting the focus from static inference to adaptive data acquisition. To address this, we propose LLM-AutoSciLab, a closed-loop framework that couples hypothesis generation with hypothesis-conditioned experiment selection and mechanism refinement. Rather than fitting models to passively collected data, LLM-AutoSciLab iteratively proposes plausible hypotheses, selects informative experiments to distinguish or refine them, and updates its state using the resulting evidence. To evaluate dynamic, closed-loop scientific discovery with active data acquisition, we introduce ActiveSciBench, comprising two datasets: ActiveSciBench-Chem with 57 enzyme-kinetics tasks and ActiveSciBench-GRN with 45 gene-regulatory-network tasks. These datasets model discovery as a budget-constrained process requiring adaptive experiment design, variable selection, and recovery of true mechanisms. Across NewtonBench, ActiveSciBench-Chem, and ActiveSciBench-GRN, LLM-AutoSciLab outperforms prior methods, achieving 67.6% and 35.1% symbolic accuracy on NewtonBench and ActiveSciBench-Chem, respectively, and 31.1% exact graph recovery on ActiveSciBench-GRN. Moreover, hypothesis-guided experimentation is 2-5x more sample-efficient than the strongest competing baselines. Code and data are available at: https://github.com/scientific-discovery/LLM-AutoSciLab
• Abstract（参考訳）: 科学的発見(Scientific discovery)は、仮説を導いたデータ取得と観測が仮説空間を洗練させる閉ループプロセスである。 しかし、ほとんどのアプローチは、固定データセット上の教師あり学習への発見を減らす。 したがって、重要な課題は、不確実性を解決するための情報的観察を選択することであり、焦点を静的推論から適応的なデータ取得に移行することである。 そこで本研究では,仮説条件付き実験選択と機構改善を併用した閉ループフレームワーク LLM-AutoSciLab を提案する。 LLM-AutoSciLabは受動的に収集されたデータにモデルを適用するのではなく、可算仮説を反復的に提案し、それらを識別または洗練するために情報的実験を選択し、その結果のエビデンスを用いてその状態を更新する。 動的でクローズドループな科学的発見をアクティブなデータ取得で評価するために,ActiveSciBench-Chem with 57 enzyme-kinetics task,ActiveSciBench-GRN with 45 gene-regulatory-network taskという2つのデータセットからなるActiveSciBenchを紹介した。 これらのデータセットは、適応的な実験設計、変数の選択、真のメカニズムの回復を必要とする予算制約のあるプロセスとして、発見をモデル化する。 NewtonBench、ActiveSciBench-Chem、ActiveSciBench-GRNとLLM-AutoSciLabは、それぞれNewtonBenchとActiveSciBench-Chemで67.6%、35.1%、ActiveSciBench-GRNで31.1%の正確なグラフ回復を達成した。 さらに、仮説誘導実験は、最強の競合するベースラインよりも2～5倍のサンプリング効率を持つ。 コードとデータは、https://github.com/scientific-Discovery/LLM-AutoSciLabで入手できる。

関連論文リスト

• From Residuals to Reasons: LLM-Guided Mechanism Inference from Tabular Data [10.795877029195845]
  科学的応用のための機械学習における永続的な課題は、予測と理解を共同で達成することである。 マルチエージェント残差文脈学習(MARICL)を導入する。 MARICLは、すべてのデータセットのベースモデルに対して一貫して改善されている。
  論文  参考訳（メタデータ） (2026-05-21T15:34:08Z)
• scBench: Evaluating AI Agents on Single-Cell RNA-seq Analysis [6.518767416778027]
  scBenchは、scRNA-seqデータセットに由来する394の検証可能な問題のベンチマークである。 8つのフロンティアモデルのベンチマークデータによると、精度は29～53%で、強力なモデルタスクとモデルプラットフォーム相互作用がある。
  論文  参考訳（メタデータ） (2026-02-09T03:20:31Z)
• Identifying and Transferring Reasoning-Critical Neurons: Improving LLM Inference Reliability via Activation Steering [50.63386303357225]
  本稿では,ニューロンの活性化に選択的に介入することで推論信頼性を向上させる軽量なテストタイムフレームワークであるAdaRASを提案する。 AdaRASは、極性を意識した平均差基準を介してReasoning-Critical Neurons(RCN)を特定し、推論中にアクティベーションを適応的に制御する。 10の数学およびコーディングベンチマークの実験では、AIME-24とAIME-25の13%以上のゲインを含む一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-27T17:53:01Z)
• Self-Driving Laboratory Optimizes the Lower Critical Solution Temperature of Thermoresponsive Polymers [2.7000182834301687]
  我々は,ポリ(N-イソプロピルラクリルアミド)の低臨界溶液温度(LCST)を最適化するための低コストで「フルガルツイン」プラットフォームを開発した。 本システムでは, ロボット流体処理, オンラインセンサ, および多成分塩溶液空間をナビゲートし, ユーザが指定したLCST目標を達成するベイズ最適化(BO)を統合した。
  論文  参考訳（メタデータ） (2025-09-02T19:35:33Z)
• ActiveDPO: Active Direct Preference Optimization for Sample-Efficient Alignment [94.36403843133616]
  人間の好みを使って大きな言語モデル(LLM)を整列させると、さまざまな下流タスクのパフォーマンスが大幅に向上する。 既存の方法には強い理論的な基礎が欠けているか、制限的な報酬関数の仮定に依存している。 非線型報酬関数に対して理論的に基底化されたデータ選択基準を用いるアルゴリズムであるActiveDPOを提案する。
  論文  参考訳（メタデータ） (2025-05-25T17:42:52Z)
• 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)
• Training on the Benchmark Is Not All You Need [52.01920740114261]
  本稿では,複数選択肢の内容に基づいた簡易かつ効果的なデータ漏洩検出手法を提案する。 本手法は,モデルトレーニングデータや重みを使用せずに,グレーボックス条件下で動作可能である。 4つのベンチマークデータセットから35個の主要なオープンソースLCMのデータ漏洩度を評価する。
  論文  参考訳（メタデータ） (2024-09-03T11:09:44Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• Active Learning Methods for Efficient Hybrid Biophysical Variable Retrieval [6.093845877765489]
  カーネルベース機械学習回帰アルゴリズム (MLRA) は, 生体物理変数検索方式において潜在的に強力な手法である。 彼らは大規模なトレーニングデータセットを扱うのに苦労している。 アクティブラーニング(AL)メソッドは、データセットで最も有益なサンプルを選択することができます。 このレターは、管理可能なトレーニングデータセットで最適化された生体物理変数推定を達成するための6つのal法を導入する。
  論文  参考訳（メタデータ） (2020-12-07T08:56:40Z)

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。