論文の概要: EvoGens: A Population-Based Heuristic Search Framework for Scientific Idea Generation

• arxiv url: http://arxiv.org/abs/2605.30961v1
• Date: Fri, 29 May 2026 07:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.456492
• Title: EvoGens: A Population-Based Heuristic Search Framework for Scientific Idea Generation
• Title（参考訳）: EvoGens: 科学的アイデア生成のための人口ベースヒューリスティック検索フレームワーク
• Abstract要約: EvoGensは、科学的アイデア生成を、多くのアイデアを進化的に探索するものとして再考している。 最先端のベースラインに比べて、探索能力を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 7.417687065241744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating novel research ideas is fundamental to scientific progress. While Large Language Models (LLMs) show promise in assisting this process, existing approaches often exhibit semantic convergence, resulting in limited diversity and novelty. To address this, we introduce EvoGens, an evolution-inspired framework that recasts scientific idea generation as an evolutionary search over a population of ideas. EvoGens iteratively applies rank-based mutation with differentiated retrieval planning to incorporate external knowledge, and semantic-aware crossover to fuse complementary concepts for conceptual reorganization. A lightweight evaluation signal guides the selection process, encouraging sustained exploration while mitigating premature convergence. Extensive experiments demonstrate that EvoGens substantially enhances exploration capabilities compared to state-of-the-art baselines. Specifically, it improves the Novelty from 0.1 to 0.4 and the Diversity from 0.24 to 0.55, while maintaining comparable idea quality under the current automatic evaluation protocol. These findings suggest that evolutionary mechanisms can serve as a useful framework for exploration-oriented research ideation, especially for broadening the novelty and diversity of candidate ideas under a shared automatic evaluation setting.
• Abstract（参考訳）: 新たな研究のアイデアを生み出すことは、科学の進歩に欠かせない。 大規模言語モデル(LLM)は、このプロセスを支援することを約束する一方で、既存のアプローチは、しばしば意味的な収束を示し、その結果、多様性と斬新さが制限される。 この問題に対処するために、進化にインスパイアされたフレームワークであるEvoGensを紹介します。 EvoGensは、外的知識を組み込むために区別された検索計画と、概念再構成のための補完的な概念を融合させるために意味認識のクロスオーバーでランクベースの突然変異を反復的に適用する。 軽量な評価信号は、選択過程をガイドし、早期収束を緩和しつつ、持続的な探索を促進する。 大規模な実験により、EvoGensは最先端のベースラインに比べて探索能力を大幅に向上することが示された。 具体的には、ノベルティを0.1から0.4に、ダイバーシティを0.24から0.55に改善し、現在の自動評価プロトコルでは同等のアイデア品質を維持している。 これらの結果から, 進化的メカニズムは, 探索指向の研究思想の枠組みとして有用であり, 特に, 共有自動評価環境下での候補概念の新規性と多様性の拡大に有効であることが示唆された。

関連論文リスト

• Self-Evolving Memory for Generative Recommendation [100.15207958893029]
  生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:00:38Z)
• Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems [52.75919264158643]
  進化計算(EC)は、フィードバック駆動型発見のための計算基盤を提供する。 本総説では, 科学的発見のための進化知能(EI)について紹介する。 EIは、探究を継続する科学的なAIシステムの特徴を、候補の洗練と経験の保持を結びつけることで特徴づける。
  論文  参考訳（メタデータ） (2026-07-10T01:09:38Z)
• EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery [51.25847252305662]
  EvoSciは、バイオインスパイアされた進化と知識グラフモデリングを統合する、マルチエージェントの科学コラボレーションフレームワークである。 共同推論、共有記憶、進化的フィードバックを組み合わせることで、EvoSciは科学的探索の一貫性と創造性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-20T04:58:49Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• FlowPIE: Test-Time Scientific Idea Evolution with Flow-Guided Literature Exploration [27.617408084179246]
  FlowPIEは、文献探索とアイデア生成を共同進化のプロセスとして扱う。 FlowPIEは、新規性、実現可能性、多様性のあるアイデアを一貫して生成していることを示す。
  論文  参考訳（メタデータ） (2026-03-31T10:37:47Z)
• EvoIdeator: Evolving Scientific Ideas through Checklist-Grounded Reinforcement Learning [15.169565493841384]
  EvoIdeatorは、RLトレーニング目標とtextbfchecklist-grounded feedbackを整合させることにより、科学的アイデアの進化を促進するフレームワーク Qwen3-4B上に構築されたEvoIdeatorは、重要な科学的指標において、はるかに大きなフロンティアモデルより優れている。
  論文  参考訳（メタデータ） (2026-03-23T09:15:26Z)
• Evolutionary Computation as Natural Generative AI [35.99576885880116]
  進化計算(Evolutionary Computation、EC)は、多様性と創造性を高めるための探索駆動の経路を提供する。 ECは自然選択の下で探索探索によって支配される生成パラダイムである。 我々は,創造性に不可欠な要因として,構造破壊と選択圧の調整を強調した。
  論文  参考訳（メタデータ） (2025-10-04T01:54:31Z)
• 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)
• On Evolvability and Behavior Landscapes in Neuroevolutionary Divergent Search [0.0]
  進化性(Evolvability)とは、個々の遺伝子型が相互に多様な表現型を持つ子孫を産み出す能力である。 近年の研究では、発散探索法が選択的圧力を暗黙的に生成することで、進化性を促進することが示されている。 本稿では,神経進化的分岐探索と進化可能性の関係について,新しい視点を提供する。
  論文  参考訳（メタデータ） (2023-06-16T13:46:55Z)
• Phylogeny-informed fitness estimation [58.720142291102135]
  本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。 以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。 この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
  論文  参考訳（メタデータ） (2023-06-06T19:05:01Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Complexity-based speciation and genotype representation for neuroevolution [81.21462458089142]
  本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。 提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
  論文  参考訳（メタデータ） (2020-10-11T06:26:56Z)

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。