Fugu-MT 論文翻訳(概要): Scientific discovery as meta-optimization: a combinatorial optimization case study

論文の概要: Scientific discovery as meta-optimization: a combinatorial optimization case study

arxiv url: http://arxiv.org/abs/2606.26728v1
Date: Thu, 25 Jun 2026 08:11:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.200464
Title: Scientific discovery as meta-optimization: a combinatorial optimization case study
Title（参考訳）: メタ最適化としての科学的発見--組合せ最適化ケーススタディ
Abstract要約: 本稿では,最適化目標自体が最適化されているメタ最適化として研究の形式化を提案する。 LLMが生成する目的関数は相関重み付け投票によって結合される。本稿では,デジタルMemComputingマシンをベースとした3SAT問題に対するアルゴリズム探索に適用する。
参考スコア（独自算出の注目度）: 1.8743552412618734
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Scientific discovery is fundamentally an optimization problem, defined by a vast "state space" of theories and experiments, and an evaluation criterion based on quality, novelty, and validity. Large language models (LLMs) have enabled automated exploration of this space, but we argue that simultaneous modification of the evaluation criteria is equally important. Here, we propose formalizing research as meta-optimization, where the optimization objective itself is also being optimized. Our key contribution is "consensus objective aggregation," where LLM-generated objective functions are combined via correlation-weighted voting, yielding a stable, self-correcting evaluation criterion that evolves as understanding deepens. We apply this framework to algorithm discovery for 3-SAT problems based on digital MemComputing machines, reducing the baseline scaling with problem size $N$ from $\sim N^{2.51}$ to $\sim N^{1.33}$ and delivering a $\sim 67\times$ speedup on the largest instances tested. As a problem-agnostic framework, we hope this approach will considerably aid scientific discovery.
Abstract（参考訳）: 科学的発見は基本的に最適化問題であり、理論と実験の広大な「状態空間」によって定義され、品質、新規性、妥当性に基づく評価基準である。大規模言語モデル (LLM) により, この空間の自動探索が可能となったが, 評価基準の同時変更が重要であると論じる。本稿では,最適化目標自体が最適化されているメタ最適化として研究の形式化を提案する。我々の重要な貢献は「合意客観的アグリゲーション」であり、LLM生成対象関数は相関重み付け投票によって結合され、理解が深まるにつれて進化する安定した自己補正評価基準が得られる。我々は,デジタルMemComputingマシンに基づく3SAT問題のアルゴリズム発見にこのフレームワークを適用し,問題サイズのベースラインスケーリングを$\sim N^{2.51}$から$\sim N^{1.33}$に削減し,テスト対象の最大インスタンスに対して$\sim 67\times$スピードアップを提供する。問題に依存しないフレームワークとして、このアプローチが科学的な発見に大いに役立つことを願っています。

関連論文リスト

Evaluation-driven Scaling for Scientific Discovery [77.20820317940581]
並列探索,フィードバック駆動の洗練,局所選択を組み合わせた,シンプルなテスト時間評価駆動スケーリング(SimpleTES)を紹介した。適切な次元に沿って評価駆動の発見ループをスケールすることで、かなりの利益が得られます。本研究は, 科学的発見を進展させる中心軸として, 効果的な評価駆動型ループスケーリングを確立した。
論文参考訳（メタデータ） (2026-04-21T11:24:09Z)
Intelligent Optimization of Multi-Parameter Micromixers Using a Scientific Machine Learning Framework [0.0]
本稿では,最先端のScience Machine Learning(Sci-ML)手法を活用した新しいフレームワークを提案する。提案手法は,複雑な多次元最適化問題のスペクトルに対する瞬時解を提供する。
論文参考訳（メタデータ） (2025-11-10T23:54:15Z)
A Comparison-Relationship-Surrogate Evolutionary Algorithm for Multi-Objective Optimization [0.0]
比較相関モデルを用いた新しい進化的アルゴリズムCRSEAを提案する。 CRSEAは,多くの中規模・生物客観的問題において,試験されたSAEAよりも優れた収束解を求める。
論文参考訳（メタデータ） (2025-04-28T01:39:38Z)
A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
論文参考訳（メタデータ） (2025-01-13T14:49:05Z)
Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
本稿では,自然言語問題記述から解法対応最適化モデルを自動生成する,$textitautoformulation$の問題にアプローチする。オートフォーミュレーションの3つの主要な課題を識別する: $textit(1)$ 巨大で問題に依存した仮説空間、および$textit(2)$ 不確実性の下でこの空間を効率的かつ多様に探索する。我々は,$textitLarge Language Models$と$textitMonte-Carlo Tree Search$を併用した新しい手法を提案する。
論文参考訳（メタデータ） (2024-11-03T20:41:38Z)
Self-Steering Optimization: Autonomous Preference Optimization for Large Language Models [79.84205827056907]
本稿では,高品質な嗜好データを自律的に生成するアルゴリズムであるセルフステアリング最適化(SSO$)を提案する。 $SSO$は、ポリシーモデル自体からデータジェネレータを構築するために、特別な最適化目標を採用しています。評価の結果,$SSO$は人選好アライメントと報酬最適化のベースラインを一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2024-10-22T16:04:03Z)
Uncertainty-Aware Search Framework for Multi-Objective Bayesian Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。 UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文参考訳（メタデータ） (2022-04-12T16:50:48Z)
Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文参考訳（メタデータ） (2021-04-30T08:50:24Z)
Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文参考訳（メタデータ） (2021-02-07T20:53:23Z)
Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive Multi-Objective Optimisation Problems [4.338938227238059]
目的関数の代理モデルを構築することは、進化アルゴリズム(EA)が現実世界の複雑な最適化問題を解決するのに効果的であることが示されている。本稿では,50個の決定変数を持つ中規模の高コスト多目的最適化問題に対して,ガウス過程サロゲートモデルによるEA支援手法を提案する。提案アルゴリズムの有効性を,3つの最先端SAEAと比較し,10,20,50変数のベンチマーク問題に対して検証した。
論文参考訳（メタデータ） (2020-02-08T12:06:08Z)
Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。