論文の概要: Compressing the Validation Bottleneck: An Agentic Self-Driving Lab for Scientific Discovery

• arxiv url: http://arxiv.org/abs/2607.04508v1
• Date: Sun, 05 Jul 2026 21:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.952113
• Title: Compressing the Validation Bottleneck: An Agentic Self-Driving Lab for Scientific Discovery
• Title（参考訳）: バリデーション・ボトルネックの圧縮:科学発見のためのエージェント・セルフ・ドライブ・ラボ
• Abstract要約: 自動運転ラボ(SDL)はこれらの実験を実行できるが、ループにはまだボトルネックがある。 我々はこの2つの物理的ボトルネックを1つのエージェントで狙う。 事前認識されたエージェントDOEループは、ドメイン知識と過去の結果を使用して、実用的で有益な次の実験を提案する。 コスト対応サロゲートエージェントは、低コストで低分解能な測定から、低コストで高分解能な測定を予測します。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic AI-for-Science can automate ideation, planning, and analysis, but final validation still depends on real experiments. A self-driving lab (SDL) can execute those experiments, yet the loop still has bottlenecks: the agent may spend too many rounds on low-value experiments, or each round may require a high-cost experiment. We target these two physical bottlenecks with one agent. First, a prior-aware agentic DOE loop uses domain knowledge and past results to propose feasible and informative next experiments, reducing trials-to-target. Second, a cost-aware surrogate agent predicts high-cost, high-resolution measurements from low-cost, low-resolution measurements. It chooses between a high- and a low-cost measurement based on the predicted uncertainty. We examine these directions in the biology and materials domains, respectively. Together, under a single agent, these components aim to accelerate the SDL loop by reducing both the number of loops and the cost per experiment.
• Abstract（参考訳）: エージェントAI-For-Scienceは、アイデア、計画、分析を自動化することができるが、最終的な検証は依然として実際の実験に依存している。 自動運転車実験室(SDL)はこれらの実験を実行できるが、ループにはまだボトルネックがある:エージェントは低価値の実験にあまりにも多くのラウンドを費やすかもしれないし、それぞれのラウンドは高コストの実験を必要とするかもしれない。 我々はこの2つの物理的ボトルネックを1つのエージェントで狙う。 まず、事前認識されたエージェントDOEループは、ドメイン知識と過去の結果を用いて、実用的で有益な次の実験を提案し、試行錯誤を減らす。 第二に、低コストで低分解能な測定から、低コストで高分解能な測定を予測している。 予測された不確実性に基づいて、高い測定値と低コストの測定値のどちらを選択する。 生物学領域と材料領域におけるこれらの方向について検討する。 一つのエージェントの下で、これらのコンポーネントは、実験あたりのループ数とコストの両方を削減し、SDLループを加速することを目的としている。

関連論文リスト

• LabAgent: Customize Any Research Hubs for Scientific Discoveries Using AI Agents [54.20891951945591]
  前者によって開発された手法は、新しい研究者によって、より斬新で深い科学的疑問を探求するために拡張されることが多い。 大学院生などの研究室スタッフの変化は、方法の複製が可能な人員の不足につながる。 本研究では,実験室の継続的な作業に適した再生・発見ハーネスであるLabAgentを提案する。
  論文  参考訳（メタデータ） (2026-09-11T18:53:18Z)
• AI Research Preference Models [87.14303218008381]
  研究エージェントは、独自の機械学習実験を提案し、実装し、評価することができる。 フロンティア作業の進行は コストで妨げられています 我々は、複数の候補ソリューションのどれが実行価値が最も高いかを予測するAI Research Preference Models(RPM)を紹介する。
  論文  参考訳（メタデータ） (2026-08-14T04:20:37Z)
• Can AI Agents Simulate A/B Test Outcomes? A Validation Framework for Agentic Experimentation [1.4180331276028662]
  A/Bテストは、テクノロジ業界における新機能の標準であり続けている。 AIエージェントは、行動プロファイルと介入のコンテキスト記述に基づいて、--- 実際のトラフィックをコミットする前に、候補者の処置を精査するのに十分な結果をシミュレートできますか? 我々は,この問題をEmphSimulated Randomized Controlled Trial (S-RCT) として定式化し,エージェント近似誤差をサブサンプリング誤差から分離する2層誤差分解を導出する。
  論文  参考訳（メタデータ） (2026-08-03T14:58:06Z)
• AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation [28.790523063833376]
  AutoScientistsは、長期的な計算科学実験のためのAIエージェントの分散チームである。 エージェントは共有された実験状態を解釈し、実験計算を使用する前に、有望な仮説、批判的な提案に関するチームに自己組織化する。 一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。
  論文  参考訳（メタデータ） (2026-05-27T15:56:12Z)
• Catalyst-Agent: Autonomous heterogeneous catalyst screening and optimization with an LLM Agent [10.596902977676807]
  本稿では,サーバベースのLLMAIエージェントであるCatalyst-Agentを紹介する。 OPTIMADE APIを使って巨大なマテリアルデータベースを探索できる。 Catalyst-Agentは、選択して評価するすべての材料のうち、23～34%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-01T22:44:56Z)
• Autonomous Materials Exploration by Integrating Automated Phase Identification and AI-Assisted Human Reasoning [15.330065664305211]
  本稿では,SARA(Scientific Autonomous Reasoning Agent)への自動材料合成拡張について述べる。 我々は,自動確率位相ラベリングアルゴリズムによって提供される位相情報を用いて,対象位相領域の探索を高速化する。 我々は、AI実装の効率を実証し、人間の入力がサンプリング効率を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2026-01-13T03:30:14Z)
• Human-AI collaborative autonomous synthesis with pulsed laser deposition for remote epitaxy [1.7745320870460644]
  仮説生成と解析のための大規模言語モデルを統合したヒューマンAI協調ワークフロー(HAIC)を開発し,展開する。 HAICは仮説形成と実験設計を加速し、成長空間をグラフェン損傷に効率的にマッピングした。
  論文  参考訳（メタデータ） (2025-11-14T18:48:52Z)
• An Auditable Agent Platform For Automated Molecular Optimisation [0.0]
  薬物発見は、データ、専門知識、ツールが散在すると、しばしば勢いを失う。 このループを短くするため、分子最適化を自動化するエージェントフレームワークを使用した階層的なツールを構築しました。
  論文  参考訳（メタデータ） (2025-08-05T13:41:32Z)
• From Reproduction to Replication: Evaluating Research Agents with Progressive Code Masking [48.90371827091671]
  AutoExperimentは、AIエージェントの機械学習実験の実装と実行能力を評価するベンチマークである。 我々は最先端のエージェントを評価し、n$が増加するにつれて性能が急速に低下することを発見した。 本研究は、長期コード生成、文脈検索、自律的な実験実行における重要な課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-24T15:39:20Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)

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。