論文の概要: A Three-Layer Framework for AI in Scientific Discovery

• arxiv url: http://arxiv.org/abs/2606.13566v1
• Date: Thu, 11 Jun 2026 16:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.929312
• Title: A Three-Layer Framework for AI in Scientific Discovery
• Title（参考訳）: 科学的発見のためのAIのための3層フレームワーク
• Authors: Guojun Liao,
• Abstract要約: 本稿では,発見におけるAIの3層ビューを提案する。 レイヤ1は、大きな言語モデルによる検索と検索である。 層2は定性的推論によるモデル形成である。
• 参考スコア（独自算出の注目度）: 0.609170287691728
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Current discussions of AI in scientific discovery are often dominated by two visible capabilities: search over existing knowledge and execution through optimization, simulation, and automation. Both are important, but neither fully captures the central act of discovery: the formation and evolution of models. This paper proposes a three-layer view of AI in discovery. Layer 1 is search and retrieval by large language models. Layer 2, as the main innovation of this paper, is model formation through qualitative reasoning: the capacity to recognize when a current framework is structurally inadequate and to understand the problem within a broader representational space, not through trial and error, but through structural insight into what is missing and where it can be found. Layer 3 is execution, optimization, and refinement. The main claim is that Layer 2 is both the most important and the least developed. Search without model formation remains confined to inherited frameworks, while execution without conceptual revision only amplifies an existing formulation. We illustrate Layer 2 reasoning through three case studies: S. S. Chern's intrinsic proof of the Gauss-Bonnet theorem, the resolution of the Nesterov Accelerated Gradient convergence problem via Lyapunov functions, and the autonomous disproof of the Erdos unit distance conjecture by OpenAI in 2026. Each case exhibits the same structural signature: a framework that had become inadequate, a missing conceptual object, and a resolution found in an unexpected neighboring field.
• Abstract（参考訳）: 科学的発見におけるAIの現在の議論は、しばしば、既存の知識を探索し、最適化、シミュレーション、自動化を通じて実行という2つの目に見える能力によって支配されている。 どちらも重要であるが、モデルの形成と進化という、発見の中心的な行為を完全に捉えていない。 本稿では,発見におけるAIの3層ビューを提案する。 レイヤ1は、大きな言語モデルによる検索と検索である。 この論文の主な革新は、定性的推論によるモデル形成であり、現在のフレームワークが構造的に不適切であることを認識し、試行錯誤ではなく、何が欠けているのか、どこにあるのかという構造的な洞察を通して、より広い表現空間内で問題を理解する能力である。 レイヤ3は実行、最適化、改善です。 主な主張は、レイヤ2がもっとも重要で、最も開発されていないことである。 モデル生成なしの検索は継承されたフレームワークに限られるが、概念修正なしの実行は既存の定式化を増幅するのみである。 S.S.チャーンのガウス・ボンネットの定理の本質的な証明、リアプノフ函数によるネステロフ加速勾配収束問題の解法、2026年のOpenAIによるエルドス単位距離予想の自律的解法である。 それぞれのケースは同じ構造的シグネチャを示しており、不適切になったフレームワーク、概念的対象の欠如、そして予期せぬ隣のフィールドで見つかった解決である。

関連論文リスト

• The Specification as Quality Gate: Three Hypotheses on AI-Assisted Code Review [0.0]
  AIが生成するコード品質の問題に対する業界の主要な反応は、AIレビュアーをデプロイすることだ。 本稿では,実行可能な仕様が存在しない場合,この応答は構造的に円形であると主張している。
  論文  参考訳（メタデータ） (2026-03-26T11:59:05Z)
• From Specification to Architecture: A Theory Compiler for Knowledge-Guided Machine Learning [6.365277569082624]
  理論誘導型機械学習は、モデル設計に直接ドメイン知識を組み込むことで、性能が向上することを示した。 しかし、形式的ドメイン理論がアーキテクチャ上の制約に変換されるプロセスは完全に手作業のままである。 本稿では,型付き機械可読なドメイン理論を入力として受け入れ,アーキテクチャを自動生成するシステムである理論コンパイラを提案する。
  論文  参考訳（メタデータ） (2026-03-15T13:15:31Z)
• UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? [50.92401586025528]
  統一マルチモーダルモデルは、最近強力な生成能力を示したが、生成が理解を改善したかどうかはまだ不明である。 提案するUniG2U-Benchは,G2U(Generation-to-understanding)評価を7つのシステマと30のサブタスクに分類する総合ベンチマークである。
  論文  参考訳（メタデータ） (2026-03-03T18:36:16Z)
• 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)
• RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark [71.3555284685426]
  本稿では,双方向機能相乗効果を評価するためのベンチマークであるRealUnifyを紹介する。 RealUnifyは、10のカテゴリと32のサブタスクにまたがる、細心の注意を払ってアノテートされた1000のインスタンスで構成されている。 現在の統一モデルは、効果的な相乗効果を達成するのに依然として苦労しており、アーキテクチャの統一だけでは不十分であることを示している。
  論文  参考訳（メタデータ） (2025-09-29T15:07:28Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
  本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。 オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。 大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
  論文  参考訳（メタデータ） (2024-02-23T16:50:07Z)

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。