論文の概要: AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation

• arxiv url: http://arxiv.org/abs/2605.28655v1
• Date: Wed, 27 May 2026 15:56:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.193404
• Title: AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation
• Title（参考訳）: AutoScientists: 長期にわたる科学実験のための自己組織化エージェントチーム
• Abstract要約: AutoScientistsは、長期的な計算科学実験のためのAIエージェントの分散チームである。 エージェントは共有された実験状態を解釈し、実験計算を使用する前に、有望な仮説、批判的な提案に関するチームに自己組織化する。 一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。
• 参考スコア（独自算出の注目度）: 28.790523063833376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific research proceeds through iterative cycles of hypothesis generation, experiment design, execution, and revision. AI agents can automate parts of this process, but existing approaches typically follow a single research trajectory or coordinate through a central planner with fixed objectives. As a result, they struggle to sustain parallel exploration, adapt as experimental evidence changes, or preserve knowledge of failed directions over long-running experiments. We introduce AutoScientists, a decentralized team of AI agents for long-running computational scientific experimentation. Agents interpret a shared experimental state, self-organize into teams around promising hypotheses, critique proposals before using experimental compute, and share successes and failures to reduce redundant exploration. Under matched experimental budgets, AutoScientists improves over prior AI agents across biomedical machine learning, language-model training optimization, and protein fitness prediction. On BioML-Bench, spanning biomedical imaging, protein engineering, single-cell omics, and drug discovery, AutoScientists achieves a mean leaderboard percentile of 74.4% across 24 tasks, improving over the strongest AI agent by +8.33%. On GPT training optimization, AutoScientists reaches a target validation bits-per-byte 1.9x faster than Autoresearch and continues discovering improvements from a starting champion where the single-agent approach finds none (7 vs. 0 accepted improvements). On ProteinGym fitness prediction, AutoScientists discovers a method for ACE2-Spike binding that improves over the current state-of-the-art model by +12.5% in Spearman correlation. Applied without modification across all 217 ProteinGym assays, the same method improves over the prior state of the art by +6.5% (Spearman correlation).
• Abstract（参考訳）: 科学的研究は仮説生成、実験設計、実行、修正を繰り返している。 AIエージェントは、このプロセスの一部を自動化することができるが、既存のアプローチは通常、単一の研究軌跡に従うか、固定された目的を持った中央プランナーを通してコーディネートする。 その結果、彼らは平行探索を継続したり、実験的な証拠の変化に適応したり、長期にわたる実験よりも失敗した方向の知識を維持するのに苦労した。 我々は、長期的な計算科学実験のためのAIエージェントの分散チームであるAutoScientistsを紹介する。 エージェントは共有された実験状態を解釈し、有望な仮説、実験計算を使用する前に提案を批判し、冗長な探索を減らすために成功と失敗を共有する。 一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。 BioML-Benchでは、バイオメディカルイメージング、タンパク質工学、単細胞オミクス、薬物発見を網羅して、AutoScientistsは24のタスクで74.4%の平均リーダーボードパーセンタイルを達成し、+8.33%のAIエージェントよりも改善している。 GPTトレーニングの最適化において、AutoScientistsはAutoresearchよりも1.9倍高速なターゲット検証ビットに到達し、シングルエージェントアプローチが(0対0の許容された改善)何も見つからないスターティングチャンピオンから改善を発見し続けている。 タンパク質Gymの適合度予測では、AutoScientistsはACE2-Spike結合の方法を発見し、スピアマン相関において現在の最先端モデルよりも+12.5%向上する。 217個のタンパク質Gymアッセイを変更せずに適用すると、この手法は以前の最先端を+6.5%改善する(スピアマン相関)。

関連論文リスト

• LabAgent: Customize Any Research Hubs for Scientific Discoveries Using AI Agents [54.20891951945591]
  前者によって開発された手法は、新しい研究者によって、より斬新で深い科学的疑問を探求するために拡張されることが多い。 大学院生などの研究室スタッフの変化は、方法の複製が可能な人員の不足につながる。 本研究では,実験室の継続的な作業に適した再生・発見ハーネスであるLabAgentを提案する。
  論文  参考訳（メタデータ） (2026-09-11T18:53:18Z)
• Towards Automating Scientific Review with Google's Paper Assistant Tool [43.64244794415017]
  Paper Assistant Tool (PAT)は、ディープ・サイエンス・レビューと検証のために開発されたエージェントAIフレームワークである。 2つの主要なコンピュータサイエンスカンファレンスの著者のための事前提出ツールとしてのPATのパイロット展開は、重大なエラーを識別する能力を示している。 PATは、レビュープロセスの結果をコントロールしながら、レフェリーに置かれる認知的負担を軽減する。
  論文  参考訳（メタデータ） (2026-06-26T17:19:17Z)
• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• AstaBench: Rigorous Benchmarking of AI Agents with a Scientific Research Suite [75.58737079136942]
  本稿では,AstaBenchについて紹介する。AstaBenchは,科学的研究を行うためのエージェント能力の総合的な測定を行うスイートである。 私たちのスイートには、プロダクショングレードの検索ツールを備えた、最初の科学研究環境が付属しています。 22のエージェントクラスで57のエージェントを評価したところ,いくつかの興味深い結果が得られた。
  論文  参考訳（メタデータ） (2025-10-24T17:10:26Z)
• InternAgent: When Agent Becomes the Scientist -- Building Closed-Loop System from Hypothesis to Verification [24.752098402554743]
  InternAgentは、自律科学研究を行うための統合クローズドループマルチエージェントフレームワークである。 12の科学研究課題にまたがる多目的性を実証した。 複数の科学分野において有望な性能向上を達成し、人的努力に比べて大幅にコストを削減した。
  論文  参考訳（メタデータ） (2025-05-22T17:27:43Z)
• Towards an AI co-scientist [48.11351101913404]
  Gemini 2.0上に構築されたマルチエージェントシステムであるAIコサイシストを紹介する。 このAIの共同科学者は、新しい独創的な知識を解明し、明らかに新しい研究仮説を定式化することを目的としている。 システムの設計には、科学的手法にインスパイアされた仮説生成への生成、議論、進化のアプローチが組み込まれている。
  論文  参考訳（メタデータ） (2025-02-26T06:17:13Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)

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。