論文の概要: Agentic Retrieval and Reinforcement Learned Equation Chains: A Controlled Generation Framework for Complex and Novel Physics Word Problems
- arxiv url: http://arxiv.org/abs/2606.15591v1
- Date: Sun, 14 Jun 2026 04:22:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.709058
- Title: Agentic Retrieval and Reinforcement Learned Equation Chains: A Controlled Generation Framework for Complex and Novel Physics Word Problems
- Title（参考訳）: エージェント検索と強化を学習した方程式連鎖:複雑で新しい物理語問題のための制御された生成フレームワーク
- Abstract要約: ARVRE(Agentic Retrieval Value Reinforced Equation-chain)は、多種多様な数学的に有効なPWPを生成するための2段階のフレームワークである。
第一段階では、オフライン時間差分学習の形式を用いて、物理学方程式の有効な連鎖を構成する。
第2段階では、Large Language Model (LLM) が方程式チェーンを変換し、概念を自然言語の物理問題に変換する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating high-quality Physics Word Problems (PWPs) that are novel, complex, and solvable remains a challenging and underexplored problem in educational content generation. Existing approaches, many adapted from Math Word Problem (MWP) generation, often produce ambiguous, unsolvable, or structurally simple questions with limited linguistic diversity. We introduce ARVRE (Agentic Retrieval Value Reinforced Equation-chain), a two-stage framework for generating diverse and mathematically valid PWPs. In the first stage, a form of offline temporal-difference learning is used to construct valid chains of physics equations, while an agentic retrieval-augmented generation (RAG) framework dynamically selects topic-specific concepts and vocabulary. This design enables explicit control over problem structure and difficulty. In the second stage, a Large Language Model (LLM) converts the equation chain and retrieved concepts into a natural-language physics question. By grounding generation in valid equation chains, our method preserves mathematical correctness while promoting linguistic diversity and contextual richness. Human and automated evaluations demonstrate that ARVRE generates PWPs that are more complex, novel, and solvable than those produced by existing approaches. These results highlight the potential of combining reinforcement learning, retrieval, and LLMs for reliable generation of educational physics content.
- Abstract（参考訳）: 新しく、複雑で、解決可能な高品質な物理語問題(PWP)を生成することは、教育コンテンツ生成において困難で未解決の課題である。
既存のアプローチは、多くは数学語問題(MWP)から適応し、曖昧で解決不可能な、あるいは言語多様性に制限のある構造的な単純な質問をしばしば生み出す。
ARVRE(Agentic Retrieval Value Reinforced Equation-chain)は多種多様な数学的に有効なPWPを生成するための2段階のフレームワークである。
第1段階では、オフライン時差学習の形式を用いて物理方程式の有効な連鎖を構成する一方、エージェント検索強化生成(RAG)フレームワークはトピック固有の概念と語彙を動的に選択する。
この設計により、問題構造と難易度を明確に制御できる。
第2段階では、Large Language Model (LLM) が方程式チェーンを変換し、概念を自然言語の物理問題に変換する。
有効な方程式連鎖を基底として,言語多様性と文脈豊かさを推し進めながら,数学的正しさを保った。
人間と自動評価は、ARVREが既存のアプローチよりも複雑で、新規で、解決可能なPWPを生成することを示している。
これらの結果は, 強化学習, 検索, LLMを組み合わさって, 信頼性の高い物理コンテンツを生成する可能性を強調した。
関連論文リスト
- Data-driven discovery of governing differential equations across physical systems [61.522420798136984]
データ駆動微分方程式探索における問題指向の視点を提案する。
まず、方程式発見可能性の2次元位相図を導入する。
次に、発見プロセスの基本的な抽象化として、表現評価最適化(REO)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-08T15:35:06Z) - Artificial Intelligence for Mathematical Reasoning: An Integrated Survey of Language Models, Neuro-symbolic Systems, and Verified Discovery [3.9943798586374784]
この調査は、この分野の進化の統一的な説明を提供する。
i)テキストや図面に対する非公式な推論、MWPの解法、マルチモーダル幾何、RLMの解法、(ii)自動形式化、戦術予測、コンパイラ誘導修理、証明探索を含む証明アシスタントの形式的推論、(iii)システム構築の提案、境界の改善、オープンな問題に対する攻撃を支援する数学的発見、(iv)CoTプロンプト、ツールの使用、プロセス報酬モデル、VLVRなど、推論およびトレーニング時のテクニック。
論文 参考訳（メタデータ） (2026-06-07T16:50:07Z) - Top 10 Open Challenges Steering the Future of Diffusion Language Model and Its Variants [85.33837131101342]
本稿では,基盤基盤,アルゴリズム最適化,認知推論,統合マルチモーダルインテリジェンスという4つの柱で構成された戦略ロードマップを提案する。
この移行は、複雑な構造的推論、動的自己補正、シームレスなマルチモーダル統合が可能な次世代AIの開発に不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2026-01-20T14:58:23Z) - Multi-Agent Collaborative Framework For Math Problem Generation [0.0]
本稿では,推論時間を自動質問生成に組み込む新しい手法として,協調型マルチエージェントフレームワークを提案する。
予備評価では、この協調型マルチエージェントフレームワークは、生成された教育コンテンツの品質を高めることが示されている。
論文 参考訳（メタデータ） (2025-11-06T01:24:07Z) - From Logic to Language: A Trust Index for Problem Solving with LLMs [0.0]
本稿では,Large Language Models (LLM) の理解と対比を目的とした統合フレームワークを提案する。
形式言語と自然言語で対応可能な問題空間を定義し,記述する。
そこで, ベクトル値信頼度指数Qを導入し, 解の品質を反映し, 形式解のバイナリ正当性を自然言語解の連続性スペクトル特性と区別する。
論文 参考訳（メタデータ） (2025-07-21T19:50:45Z) - OMEGA: Can LLMs Reason Outside the Box in Math? Evaluating Exploratory, Compositional, and Transformative Generalization [88.76091817642963]
最近の大規模言語モデル (LLMs) は、DeepSeek-R1-のような長い鎖の推論を持ち、オリンピアード級数学において印象的な成果を上げている。
本稿では,3つの分布外一般化の軸を評価するために設計された3つの一般化 Axes-a ベンチマークを用いた OMEGA-Out-of-distriion Math Problems Evaluation を提案する。
論文 参考訳（メタデータ） (2025-06-23T17:51:40Z) - Can Theoretical Physics Research Benefit from Language Agents? [50.57057488167844]
大規模言語モデル(LLM)は、様々な領域にわたって急速に進歩しているが、理論物理学研究への応用はまだ成熟していない。
このポジションペーパーは、LLMエージェントが、ドメイン知識やツールボックスと適切に統合された場合、理論的、計算的、応用物理学を加速するのに役立つと主張している。
マルチモーダルデータを処理し、検証可能な仮説を提案し、設計実験を行う物理特殊化LSMを構想する。
論文 参考訳（メタデータ） (2025-06-06T16:20:06Z) - ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。
エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。
引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文 参考訳（メタデータ） (2023-12-15T18:20:15Z) - MacGyver: Are Large Language Models Creative Problem Solvers? [87.70522322728581]
本稿では, 現代LLMの創造的問題解決能力について, 制約付き環境下で検討する。
我々は1,600以上の実世界の問題からなる自動生成データセットであるMACGYVERを作成する。
我々はLLMと人間の両方にコレクションを提示し、それらの問題解決能力を比較して比較する。
論文 参考訳（メタデータ） (2023-11-16T08:52:27Z) - MechAgents: Large language model multi-agent collaborations can solve
mechanics problems, generate new data, and integrate knowledge [0.6708125191843434]
ここでは、自律的なコラボレーションを通じて、弾力性に関する問題を実証する。
2エージェントチームは、古典的な弾性問題を解くために有限要素法を適用するために、効果的にコードを書き、実行し、自己修正することができる。
より複雑なタスクのために、我々は計画、定式化、コーディング、実行、プロセスと結果を批判する作業の分割を強化したより大きなエージェントグループを構築します。
論文 参考訳（メタデータ） (2023-11-14T13:49:03Z) - Automatic Generation of Word Problems for Academic Education via Natural
Language Processing (NLP) [0.0]
この論文は、多様で文脈に富んだ単語問題を生成するアプローチを提案する。
提案手法は数学統計学において有効な単語問題を生成するのに有効であることが証明されている。
論文 参考訳（メタデータ） (2021-09-27T15:36:19Z)
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。