論文の概要: MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2605.30889v1
• Date: Fri, 29 May 2026 06:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.417893
• Title: MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials
• Title（参考訳）: MLIPilot: マシンラーニングによる原子間ポテンシャルの自動解析
• Abstract要約: MLIPilotは、ツールコールによる大規模言語モデルによる仮説の提案、MLIPトレーニングコードの編集、HPCジョブの起動、修正された物理的制約付きスコアカードによる変更の受け入れまたは反転を行う自動検索フレームワークである。 GPT-5.5, GPT-4.1, Mistral-24B, Qwen3-32B を含む商用およびオープンウェイト LLM エージェントを用いた MACE 電位最適化における MLIPilot の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing production-quality machine-learned interatomic potentials (MLIPs) requires balancing accuracy, dynamical stability, and computational throughput under constraints that are not captured by a single training loss. We introduce MLIPilot, an auto-research framework in which tool-calling large language models propose hypotheses, edit MLIP training code, launch HPC jobs, and accept or revert changes using a fixed, physically constrained scorecard. We evaluate MLIPilot on MACE potential optimization using both commercial and open-weight LLM agents, including GPT-5.5, GPT-4.1, Mistral-24B, and Qwen3-32B. The benchmarks span molecular and periodic settings: a QM7-derived dataset for which we generated B3LYP/6-31G(d) energies and forces, and a Cu EMT dataset with periodic copper supercells labeled by ASE's Effective Medium Theory calculator. Across these benchmarks, the strongest agents move initially constraint-violating baselines to accepted models by discovering useful training strategies, including output normalization, loss-function changes, progressive training schedules, and model-capacity adjustments. These results suggest that LLM agents can serve as autonomous operators for scientific machine-learning workflows when their search is constrained by domain-specific validation criteria, shifting part of MLIP development from manual trial-and-error toward auditable, automated experimentation.
• Abstract（参考訳）: 生産品質の高いマシン学習型原子間ポテンシャル(MLIP)の構築には、単一のトレーニング損失によって捕捉されない制約の下での精度、動的安定性、計算スループットのバランスが必要である。 MLIPilotは、ツールコールによる大規模言語モデルによる仮説の提案、MLIPトレーニングコードの編集、HPCジョブの起動、修正された物理的制約付きスコアカードによる変更の受け入れまたは反転を行う自動検索フレームワークである。 GPT-5.5, GPT-4.1, Mistral-24B, Qwen3-32B を含む商用およびオープンウェイト LLM エージェントを用いた MACE 電位最適化における MLIPilot の評価を行った。 ベンチマークは分子的および周期的な設定に及び、B3LYP/6-31G(d)エネルギーと力を生成するQM7由来のデータセット、ASEのエフェクト・メディア理論計算器によってラベル付けされた周期的銅スーパーセルを持つCu EMTデータセットである。 これらのベンチマーク全体で、最強のエージェントは、出力正規化、損失関数の変化、進行訓練スケジュール、モデル容量調整など、有用なトレーニング戦略を発見することで、最初はベースラインを許容モデルに制約する。 これらの結果は、MLIP開発の一部を手動による試行錯誤から監査可能な自動実験へとシフトさせることにより、LLMエージェントがドメイン固有の検証基準に制約された科学機械学習ワークフローの自律演算子として機能することを示唆している。

関連論文リスト

• GRACE-DS: a Guarded Reward-guided Agent Correction Environment in Data Science [39.146761527401424]
  GRACE-DSは、LSMを用いたオートMLエージェントの事前デプロイ評価のための、データサイエンスにおけるリワード誘導エージェント補正環境である。 エージェントをリアルなワークフローステージに公開し、計画やデータインスペクションから機能エンジニアリング、モデル開発、バリデーション、コード修正まで、最終提出まで。 これらの結果から、GRACE-DSはLLMベースのAutoMLエージェントが実運用環境下で機械学習を実行する能力を評価するための堅牢なプラットフォームとして確立された。
  論文  参考訳（メタデータ） (2026-06-14T19:58:06Z)
• AutoOR: Scalably Post-training LLMs to Autoformalize Operations Research Problems [54.593031581486116]
  本稿では,拡張性のある合成データ生成および強化学習パイプラインであるAutoORについて述べる。 AutoORは、標準最適化フォームから検証済みのトレーニングデータを生成し、RL後トレーニングの報奨信号としてソルバ実行フィードバックを使用する。 我々は、AutoORのような手法がAIによる工業的意思決定を著しく加速できると考えている。
  論文  参考訳（メタデータ） (2026-04-18T03:24:54Z)
• Automated Machine Learning Pipeline for Training and Analysis Using Large Language Models [0.0]
  データセット生成からモデル検証まで、ワークフロー全体を統一する自動機械学習パイプライン(AMLP)を導入します。 AMLPは、電子構造コードの選択、入力準備、出力変換を支援するために、大きな言語モデルエージェントを使用する。 アクリジンのポリモルフィックで検証され、基礎モデルの素直な微調整により、エネルギーの1.7 meV/原子と力の7.0 meV/AAの絶対誤差が達成される。
  論文  参考訳（メタデータ） (2025-09-25T22:05:20Z)
• Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
  本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。 その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
  論文  参考訳（メタデータ） (2025-07-03T11:20:22Z)
• AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
  LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。 以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-02T13:24:30Z)
• Embedding Self-Correction as an Inherent Ability in Large Language Models for Enhanced Mathematical Reasoning [13.082135438792475]
  自己補正の連鎖は、大規模言語モデルに固有の能力として自己補正を組み込む。 CoSCは一連の自己補正段階を通して機能する。 実験により、CoSCは標準的な数学的データセットの性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-10-14T17:16:44Z)
• Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification [76.14641982122696]
  本稿では,属性制御付き大規模言語モデル(LLM)の制約学習スキーマを提案する。 提案手法は, ベンチマーク上での競合性能と毒性検出タスクを達成しながら, 不適切な応答を少ないLCMに導出することを示す。
  論文  参考訳（メタデータ） (2024-10-07T23:38:58Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Unleashing the Power of Pre-trained Language Models for Offline Reinforcement Learning [50.9692060692705]
  本稿では、オフラインRL用の決定変換器をベースとした一般的なフレームワークである、$textbfMo$tion Control(textbfLaMo$)のための$textbfLanguage Modelsを紹介する。 私たちのフレームワークは4つの重要なコンポーネントを強調しています。 逐次事前学習したLMを用いた決定変換器の初期化(2)LoRA微細調整法を用いて 特に,本手法は,限られたデータサンプルを持つシナリオにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-31T16:24:17Z)
• 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)
• Semi-supervised on-device neural network adaptation for remote and portable laser-induced breakdown spectroscopy [0.22843885788439797]
  LIBS用軽量多層パーセプトロン(MLP)モデルを導入し、新しい入力データのラベルを必要とせずにオンデバイスで適応できます。 データストリーミング中の平均精度は89.3%で、適応をサポートしないモデルに比べて最大2.1%高い精度を示している。
  論文  参考訳（メタデータ） (2021-04-08T00:20:36Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。