論文の概要: From Specification to Execution: AI Assisted Scientific Workflow Management
- arxiv url: http://arxiv.org/abs/2606.18425v1
- Date: Tue, 16 Jun 2026 19:21:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.865817
- Title: From Specification to Execution: AI Assisted Scientific Workflow Management
- Title（参考訳）: 仕様から実行まで:AIによる科学ワークフロー管理
- Abstract要約: 本稿では,AIを活用した科学ワークフロー管理手法を提案する。
このメソッドは、ワークフローの意図、設計、実装を分離する構造化された仕様フェーズを導入し、コード生成に先立って検証を可能にする。
本手法は, 並列性, 反復性, 依存性集約構造で選択された医用画像にフェデレートした学習ワークフローを用いて評価する。
- 参考スコア（独自算出の注目度）: 0.7507031378170735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific workflow management systems (WMS) support scalable and reproducible execution of complex pipelines, but workflow design, implementation, and debugging remain largely manual and require significant expertise. Recent approaches using large language models (LLMs) show promise for workflow generation from natural language, but often rely on direct code synthesis, which limits transparency, reproducibility, and integration with workflow systems. We present an AI-assisted approach to scientific workflow management that combines specification-driven workflow generation, automated debugging, and distributed execution. The method introduces a structured specification phase that separates workflow intent, design, and implementation, allowing validation prior to code generation. We also develop an LLM-based debugging agent that diagnoses and resolves failures across multiple system layers. To support distributed execution and user interaction, we integrate Pegasus, a widely used WMS, with a Model Context Protocol (MCP) layer, providing a unified interface for workflow submission, monitoring, and control. We evaluate the approach using a federated learning workflow for medical imaging, chosen for its parallel, iterative, and dependency-intensive structure. The system generated and executed large-scale workflows with thousands of jobs, reduced debugging effort, and allowed non-expert users to construct workflows with expert-level design patterns. These results indicate that end-to-end AI-assisted workflow generation and execution is feasible, and point toward AI-driven platforms for managing the scientific workflow lifecycle.
- Abstract（参考訳）: 科学ワークフロー管理システム(WMS)は、複雑なパイプラインのスケーラブルで再現可能な実行をサポートするが、ワークフロー設計、実装、デバッグはほとんど手作業であり、かなりの専門知識を必要とする。
大規模言語モデル(LLM)を用いた最近のアプローチは、自然言語からのワークフロー生成を約束しているが、しばしば、透明性、再現性、ワークフローシステムとの統合を制限する直接的なコード合成に依存している。
我々は、仕様駆動ワークフロー生成、自動デバッグ、分散実行を組み合わせた、科学ワークフロー管理のためのAI支援アプローチを提案する。
このメソッドは、ワークフローの意図、設計、実装を分離する構造化された仕様フェーズを導入し、コード生成に先立って検証を可能にする。
また,複数のシステム層にまたがる障害を診断・解決するLCMベースのデバッグエージェントを開発した。
分散実行とユーザインタラクションをサポートするため、広く使用されているWMSであるPegasusをモデルコンテキストプロトコル(MCP)レイヤに統合し、ワークフローの提出、監視、制御のための統一されたインターフェースを提供します。
本手法は, 並列性, 反復性, 依存性集約構造で選択された医用画像にフェデレートした学習ワークフローを用いて評価する。
このシステムは何千ものジョブで大規模なワークフローを生成し、実行し、デバッグの労力を減らし、エキスパートレベルの設計パターンで非専門家のユーザによるワークフロー構築を可能にした。
これらの結果は、エンドツーエンドのAI支援ワークフロー生成と実行が実現可能であり、科学ワークフローライフサイクルを管理するためのAI駆動プラットフォームに向かっていることを示している。
関連論文リスト
- From Search to Synthesis: Training LLMs as Zero-Shot Workflow Generators [17.263246226058474]
大規模言語モデル(LLM)は幅広いタスクで優れていますが、インスタンス固有のソリューションでは、信頼性の高いデプロイメントに必要な構造的一貫性が欠如しています。
本稿では、メタ学習問題としてワークフロー生成を論じるMetaFlowを提案する。
合成ワークフローデータに基づく微調整と、検証可能な報酬を伴う強化学習の2段階を訓練する。
得られたモデルは訓練されたタスクに有効であり、訓練されていないタスクや新しい演算子集合に強い一般化を示す。
論文 参考訳（メタデータ） (2026-06-29T14:17:09Z) - EvoMAS: Learning Execution-Time Workflows for Multi-Agent Systems [10.627204426706259]
EvoMASは実行時のマルチエージェントワークフロー構築のためのフレームワークである。
EvoMASは単一エージェントベースラインと最近の自動マルチエージェントワークフロー設計手法より優れていることを示す。
論文 参考訳（メタデータ） (2026-05-09T07:55:12Z) - FlowMind: Execute-Summarize for Structured Workflow Generation from LLM Reasoning [5.153212048436295]
LLMは推論やツールの使用によって複雑なタスクを解くことができるが、これらのソリューションを構造化されたものに正確に翻訳することは依然として難しい。
ツール使用のシーケンスとしてモデル化し、タスクを解決し、それらを確実に構築できるメカニズムを設計するものとして問題を再構築する。
本稿では,ワークフロー構築からタスク実行を分離するExecute-Summarize(ES)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-12T10:04:42Z) - Learning to Compose for Cross-domain Agentic Workflow Generation [56.630382886594184]
クロスドメインワークフロー生成のためのオープンソースのLLMを作成します。
さまざまなドメインにわたる再利用可能なワークフロー機能のコンパクトなセットを学びます。
当社の1パスジェネレータは、20イテレーションを消費するSOTAリファインメントベースラインを超えています。
論文 参考訳（メタデータ） (2026-02-11T18:27:22Z) - DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。
社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。
結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
論文 参考訳（メタデータ） (2025-09-30T10:36:23Z) - Opus: A Prompt Intention Framework for Complex Workflow Generation [0.0]
Opus Prompt Intention Frameworkは命令調整型大言語モデル(LLM)による複雑な生成を改善するように設計されている
ユーザクエリから信号や意図を抽出する,カスタマイズ可能な意図キャプチャシステムを提案する。
提案システムでは,ユーザクエリからの直接生成と比較して,生成品質が著しく向上することを示す実証的証拠を提供する。
論文 参考訳（メタデータ） (2025-07-15T13:13:07Z) - Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。
しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。
本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。
提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文 参考訳（メタデータ） (2025-01-14T04:35:37Z) - WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models [105.46456444315693]
ワークフローオーケストレーションにおける大規模言語モデルの能力を高めるための,データ中心のフレームワークであるLLMを提案する。
最初は106,763のサンプルで大規模な微調整Benchを構築し、28のカテゴリにわたる83のアプリケーションから1,503のAPIをカバーしている。
LlamaLlamaは複雑なAPIをオーケストレーションする能力を示しながら、優れた一般化性能を実現している。
論文 参考訳（メタデータ） (2024-11-08T09:58:02Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - ComfyGen: Prompt-Adaptive Workflows for Text-to-Image Generation [87.39861573270173]
本稿では,各ユーザプロンプトに自動的にワークフローをカスタマイズすることを目的とする,プロンプト適応型ワークフロー生成の新しいタスクを紹介する。
本稿では,この課題に対処する2つの LLM ベースの手法を提案する。ユーザ・参照データから学習するチューニングベース手法と,既存のフローを選択するために LLM を使用するトレーニングフリー手法である。
本研究は,現場における既存研究の方向性を補完し,テキスト・画像生成の品質向上のための新たな経路を提供することを示す。
論文 参考訳（メタデータ） (2024-10-02T16:43:24Z)
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。