論文の概要: Agentic evolution of physically constrained foundation models

• arxiv url: http://arxiv.org/abs/2606.25532v1
• Date: Wed, 24 Jun 2026 08:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.273337
• Title: Agentic evolution of physically constrained foundation models
• Title（参考訳）: 物理的に制約された基礎モデルのエージェント進化
• Abstract要約: 人工知能はますます科学的発見の自動化を推進しているが、現代のジェネラリストエージェントは物理的根拠を欠いている。 ハードウェア準拠のコンピュータシステムを自律的に設計する物理基盤のマルチエージェント発見エンジンを提案する。
• 参考スコア（独自算出の注目度）: 26.896066629768494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence increasingly drives automated scientific discovery, yet contemporary generalist agents lack physical grounding, frequently hallucinating hardware-incompatible designs. Here, we present a physically grounded, multi-agent discovery engine that autonomously architects hardware-compliant computing systems. Anchored by an Evolutionary Knowledge Graph structuring past scientific innovations, the framework extracts an "algorithmic Chain-of-Thought" to transform blind stochastic search into directed structural evolution. Applied to the extreme testbed of foundation model deployment, the engine evolved two hardware-aware compression methodologies surpassing human-engineered heuristics: Q-Enhance mitigates long-context accuracy loss in dense models, and MoE-Salient-AQ outperforms state-of-the-art manual sparse Mixture-of-Experts designs by 3.7% at sub-3-bit regimes. Utilizing a bandwidth-efficient Sensitivity Profile, we successfully deployed a massive 235-billion-parameter model onto a constrained dual-A100 server, reducing memory requirements by 75% with a marginal 0.64% accuracy degradation. By transforming unconstrained combinatorial search into knowledge-driven autonomy, this establishes a scalable hardware-software co-design paradigm for machine-driven discovery within strict physical boundaries.
• Abstract（参考訳）: 人工知能は科学的な発見の自動化をますます推進しているが、現代のジェネリストエージェントには物理的根拠がなく、ハードウェアと互換性のない設計を幻覚させることが多い。 ここでは、ハードウェア準拠のコンピューティングシステムを自律的に設計する物理基盤を持つマルチエージェントディスカバリエンジンを提案する。 進化的知識グラフ(Evolutionary Knowledge Graph)が過去の科学的革新を構造化し、このフレームワークは視覚確率探索を構造的進化に転換する"algorithmic Chain-of-Thought"を抽出する。 Q-Enhanceは高密度モデルにおける長いコンテキスト精度の損失を軽減し、MoE-Salient-AQは3.7%のサブ3ビットレギュレーションで、最先端の手動スパース・ミクチャー・オブ・エクスプットの設計より優れていた。 帯域幅効率の高い感度プロファイルを用いることで、235ビリオンパラメータモデルを制約付きデュアルA100サーバに展開し、限界精度0.64%の精度でメモリ要求を75%削減することに成功した。 制約のない組合せ探索を知識駆動の自律性に変換することにより、厳密な物理的境界内でのマシン駆動の発見のためのスケーラブルなハードウェアとソフトウェアの共同設計パラダイムを確立する。

関連論文リスト

• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• Generative AI for material design: A mechanics perspective from burgers to matter [0.0]
  拡散型生成AIと計算力学は同じ原理に根ざしていることを示す。 低次元空間における材料設計のための最小限のベンチマークとして、3次元バーガーを用いてこの接続を説明する。 我々は5つの新しいハンバーガーを生産し、100人の参加者によるレストランベースの感覚調査でそれを検証した。
  論文  参考訳（メタデータ） (2026-04-03T19:12:01Z)
• Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach [42.55947704321053]
  ハイパー冗長ロボットは、厳密で非構造的な環境での操作をうまく行うことができる。 到達可能な作業空間を拡張するために,多段式フレキシブルラック作動型平面ロボットを開発した。 本研究では,SpatioCoupledNet というハイブリッドキネマティクス・インフォームド・学習型形状制御手法を提案する。
  論文  参考訳（メタデータ） (2026-03-11T04:35:06Z)
• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• Cheap2Rich: A Multi-Fidelity Framework for Data Assimilation and System Identification of Multiscale Physics -- Rotating Detonation Engines [1.8796659304823702]
  Cheap2Richは、スパースセンサー履歴から高忠実度状態空間を再構成するマルチスケールデータ同化フレームワークである。 回転起爆エンジン(RDE)の性能実証 その結果,複雑なマルチスケールシステムにおけるデータ同化とシステム識別のための汎用多機能フレームワークが注目されている。
  論文  参考訳（メタデータ） (2026-01-28T06:35:22Z)
• GENIUS: An Agentic AI Framework for Autonomous Design and Execution of Simulation Protocols [32.505127447635864]
  GENIUSは、スマート量子ESPRESSO知識グラフと有限状態エラー回復マシンによって管理される大規模言語モデルの階層構造を融合するAIエージェントワークフローである。 GENIUSは、フリーフォームの人為的なプロンプトを検証済みの入力ファイルに変換し、295の多様なベンチマークの80%の$approxで実行し、76%が自律的に修復され、成功は指数関数的に7%のベースラインに崩壊する。 このフレームワークは、プロトコル生成、検証、修復をインテリジェントに自動化して電子構造DFTシミュレーションを民主化し、大規模なスクリーニングとICME設計ループを世界中の学界や業界に開放する。
  論文  参考訳（メタデータ） (2025-12-06T11:28:35Z)
• End-to-End Analysis of Charge Stability Diagrams with Transformers [0.7570270968488804]
  トランスフォーマーモデルとエンドツーエンドの学習フレームワークは、人工知能の分野に急速に革命をもたらしている。 本研究では,半導体量子ドットアレイの電荷安定性図を解析するために物体検出変換器を適用する。 3つの異なるスピン量子ビットアーキテクチャの性能において、畳み込みニューラルネットワークを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-08-21T16:54:22Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• OutlierNets: Highly Compact Deep Autoencoder Network Architectures for On-Device Acoustic Anomaly Detection [77.23388080452987]
  人間のオペレーターはしばしば異常な音で産業機械を診断する。 ディープラーニングによる異常検出手法は、工場でのデプロイメントを禁止する膨大な計算リソースを必要とすることが多い。 ここでは、マシン駆動設計探索戦略を探求し、非常にコンパクトなディープコンボリューションオートエンコーダネットワークアーキテクチャのファミリーであるOutlierNetsを作成します。
  論文  参考訳（メタデータ） (2021-03-31T04:09:30Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)

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。