論文の概要: Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2606.01444v1
- Date: Sun, 31 May 2026 20:29:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.70836
- Title: Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence
- Title（参考訳）: 科学のための自己修正発見システム:エージェント人工知能の分類的枠組み
- Authors: Fiona Y. Wang, Markus J. Buehler,
- Abstract要約: 我々は材料科学のためのエージェント発見のカテゴリー論的記述を開発する。
CategoryScienceClawでは、型付きスキル、アーティファクト、オープンニーズ、ワークフロー突然変異、ゲート、ストレステスト、そして公開談話が、証明付き知識計算グラフとなる。
- 参考スコア（独自算出の注目度）: 1.1458853556386797
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Scientific discovery is not only answer generation but revision of the representational regime in which evidence, artifacts, operations, and verifiers are typed. We develop a category-theoretic account of agentic discovery for materials science. In a fixed regime b with schema category S_b, the system state is a copresheaf I_t: S_b -> Set, and provenance is the category of elements \int_{S_b} I_t. Fixed-regime operation is an update on such states, endofunctorial only when provenance-preserving refinements are specified and preserved. Discovery is instead a verified regime transition u: S_b -> S_b': old artifacts are preserved, transported by the left Kan extension Lan_u I_t, and compared with the post-transition state to identify residual content beyond functorial transport. This separates retrieval, search, and discovery without subjective novelty. We instantiate the framework in two systems. In Builder/Breaker, a protein-mechanics world model is revised under a Minimum Description Length gate; the accepted law expresses within-chain flexibility as all-mode elastic compliance conditioned by slow collective-mode participation, or mode-conditioned compliance. In CategoryScienceClaw, typed skills, artifacts, open needs, workflow mutation, gates, stress tests, and public discourse become a proof-carrying knowledge-computation graph. A fiber-network example records candidate models, rejected alternatives, an AIC gate, perturbation tests, and an accepted orientation-tensor anisotropic stiffness surrogate over an isotropic fiber-count descriptor. Together, the cases show how category theory can be both a mathematical language for discovery and an engineering specification for self-revising AI discovery systems.
- Abstract（参考訳）: 科学的発見は、答えの生成だけでなく、証拠、アーティファクト、操作、検証者がタイプされる表現体系の改訂である。
我々は材料科学のためのエージェント発見のカテゴリー論的記述を開発する。
スキーマカテゴリS_bを有する固定状態bにおいて、システム状態はコペルレシャフI_t:S_b−>セットであり、証明は要素 \int_{S_b}I_t のカテゴリである。
固定登録操作はそのような状態の更新であり、前立腺保存改善が特定され保存された場合にのみ終了する。
S_b -> S_b': 古いアーティファクトは保存され、左カン拡張Lan_u I_tによって輸送され、後遷移状態と比較され、菌類輸送を超える残留内容が特定される。
これは、検索、検索、発見を主観的新規性なしに分離する。
フレームワークを2つのシステムでインスタンス化する。
Builder/Breakerでは、最小記述長ゲートの下でタンパク質-メカニクスの世界モデルが改訂され、受け入れられた法則は、全モードの弾性コンプライアンスとして、集団-モードの参加が遅いこと、あるいはモード条件付きコンプライアンスとして表現される。
CategoryScienceClawでは、型付きスキル、アーティファクト、オープンニーズ、ワークフロー突然変異、ゲート、ストレステスト、公開談話が、証明付き知識計算グラフとなる。
ファイバネットワークの例は、候補モデル、拒否された代替品、AICゲート、摂動試験、および等方性ファイバー数記述子上の許容方向テンソル異方性剛性サロゲートを記録する。
これらのケースは、カテゴリ理論が発見のための数学的言語と、自己修正型AI発見システムのための工学的仕様の両方を同時に示す。
関連論文リスト
- NOETHER: A Constructive Framework for Metamorphic Pattern Discovery from Operator Algebras [6.691613382732758]
メタモルフィックテストはIEEE/ISOソフトウェアテスト標準で認識され、AIシステムに対してますます推奨される。
既存のアプローチでは,3つの基本的疑問が残る帰納的根拠を共有している。
本稿では,演算子代数からメタパタン集合への下流ステップが機械的かつ証明可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-17T11:18:35Z) - Sheaf-Theoretic Transport and Obstruction for Detecting Scientific Theory Shift in AI Agents [0.0]
本稿では,輸送と障害物による理論シフト候補検出のための有限層理論フレームワークを開発する。
我々は,その言語の拡張からソース言語の変形を分離するために設計された制御されたトランジションカードベンチマーク上で,このフレームワークを評価する。
論文 参考訳（メタデータ） (2026-05-13T18:46:17Z) - Geometric Factual Recall in Transformers [57.48371649045765]
一般的な見解では、内部の重み行列は埋め込みのペアに対する連想記憶として捉えられ、事実の数と線形にスケールする記憶数を必要とする。
我々は、学習した埋め込みが直接構造を符号化する、別のエンフェロメトリックな形態の記憶の理論的、実証的な説明を開発する。
単層変圧器が被写体から共有属性集合へのランダムベクトルを記憶しなければならない制御環境では、対数埋め込み次元が十分であることを示す。
これらの結果をマルチホップ設定に拡張し、証明可能なチェーン・オブ・シークレットによる構築を提供する。
論文 参考訳（メタデータ） (2026-05-12T17:22:22Z) - Disentangling Dynamical Systems: Causal Representation Learning Meets Local Sparse Attention [14.165510655766944]
本稿では,因果表現学習を利用した新たな識別可能性定理を開発し,システムパラメータの不整合表現を明らかにする。
システムのパラメータ同定を変分推論問題としてインスタンス化し、スパーシリティ規則化変換器を用いて状態依存因果構造を解明する。
論文 参考訳（メタデータ） (2026-03-15T17:03:34Z) - Subject-Event Ontology Without Global Time: Foundations and Execution Semantics [51.56484100374058]
形式化は9つの公理(A1-A9)を含み、実行可能性の正しさを保証する:履歴の単調性(I1)、因果性の非巡回性(I2)、トレーサビリティ(I3)である。
フォーマル化は、分散システム、マイクロサービスアーキテクチャ、DLTプラットフォーム、およびマルチパースペクティビティシナリオ(異なる主題から事実を分解する)に適用できる。
モデルに基づくアプローチ(A9): スキーマによるイベント検証、アクター認可、グローバル時間なしで因果連鎖の自動構築(W3)。
論文 参考訳（メタデータ） (2025-10-20T19:26:44Z) - Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
線形木探索はLarge Language Model (LLM) 研究の基盤となっている。
本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-11T03:29:18Z) - CoPS: Conditional Prompt Synthesis for Zero-Shot Anomaly Detection [6.1568149026052374]
Conditional Prompt Synthesis (CoPS)は、視覚的特徴に条件付き動的プロンプトを合成し、ZSAD性能を向上させる新しいフレームワークである。
CoPSは、13の産業および医療データセットの分類とセグメンテーションの両方において、最先端の手法を2.5%AUROCで上回っている。
論文 参考訳（メタデータ） (2025-08-05T13:47:45Z) - Generating Highly Structured Test Inputs Leveraging Constraint-Guided Graph Refinement [4.121384394709256]
本研究では,グラフベース表現を用いて,構造化ドメインに対するテスト入力を統一できるかどうかを検討する。
我々は,8つのAIシステムにおける入力妥当性とセマンティックな保存性を高めるために,このアプローチの有効性を評価する。
論文 参考訳（メタデータ） (2025-07-28T18:54:04Z) - Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。
提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文 参考訳（メタデータ） (2024-05-24T17:11:27Z) - Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF)
既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。
トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
論文 参考訳（メタデータ） (2024-04-16T07:21:39Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z)
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。