論文の概要: Physics-Audited Agentic Discovery in Scientific Machine Learning
- arxiv url: http://arxiv.org/abs/2607.07379v1
- Date: Wed, 08 Jul 2026 13:10:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.389238
- Title: Physics-Audited Agentic Discovery in Scientific Machine Learning
- Title（参考訳）: 科学機械学習における物理監査エージェント発見
- Authors: Diab W. Abueidda, Bilal Ahmed, Panos Pantidis, Mostafa E. Mobasher,
- Abstract要約: Physics-Audited Agentic SciML (PA-SciML)は、エージェントSciML発見のための検証ファーストワークフローである。
PA-SciMLは、検索の前に評価器を固定し、レビュー可能な機械チェック可能な物理条件を導出し、所定の入力範囲や測定された負荷履歴の範囲を探索する。
有効にすると、ワークフローはトレーニング前にアドバイザリーな数値プローブを追加して、一度に1つのモデリング変更を一度に記録し、どの独立した編集が再利用前にスコアゲインと関連付けられているかを記録する。
- 参考スコア（独自算出の注目度）: 1.4632791454491378
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In agentic scientific machine learning (SciML), large language model (LLM) agents can discover surrogate models and select one by an automated score, typically an error metric. A low error, however, does not establish that the predicted fields satisfy the physics that matter for mechanics, such as boundary conditions, superposition, stiffness scaling, or causality. We introduce Physics-Audited Agentic SciML (PA-SciML), a verification-first workflow for agentic SciML discovery. The workflow fixes a scoring evaluator before search, derives reviewable machine-checkable physics requirements, checks each trained candidate on its outputs, and separately searches prescribed input ranges or measured load-history spans for high-violation cases without reference solution fields. A surrogate is reported as verified only under the stated checks. When enabled, the workflow also adds advisory numerical probes before training and tests one modeling change at a time to record which isolated edits are associated with score gains before reuse. In the reported computational-solid-mechanics numerical examples, the static elasticity run selects a surrogate with lower validation error than the error-only baseline while both selected models pass the common linear-elastic checks. In the transient elastodynamics run, an error-only baseline with similar mean error fails a stricter causality check by responding to future parts of the loading history, while the selected surrogate passes the stated checks. The main distinction is per-candidate physics evidence on predicted fields, not a richer aggregate score.
- Abstract（参考訳）: エージェント科学機械学習(SciML)では、大規模言語モデル(LLM)エージェントが代理モデルを発見し、自動スコア(典型的にはエラーメトリック)で選択することができる。
しかし、低い誤差は、予測された場が境界条件、重畳、硬さのスケーリング、因果関係といったメカニクスにとって重要な物理学を満たすことを証明していない。
本稿では,エージェントSciML発見のための検証ファーストワークフローであるPhysical-Audited Agentic SciML(PA-SciML)を紹介する。
ワークフローは、検索の前にスコアリング評価器を固定し、レビュー可能な機械チェック可能な物理要件を導出し、その出力に対して各訓練された候補を確認し、基準解場を使わずに、所定の入力範囲または測定された負荷履歴範囲を別々に検索する。
代理は、記載された小切手の下でのみ確認されていると報告される。
有効にすると、ワークフローはトレーニング前にアドバイザリーな数値プローブを追加して、一度に1つのモデリング変更を一度に記録し、どの独立した編集が再利用前にスコアゲインと関連付けられているかを記録する。
報告された計算-ソリッド・メカニクスの数値例では、静的弾性ランは誤差のみのベースラインよりも低い検証誤差のサロゲートを選択し、どちらのモデルも共通の線形弾性チェックをパスする。
過渡的なエラストダイナミックスの実行では、同じ平均誤差を持つエラーのみのベースラインは、ロード履歴の将来の部分に応答して、より厳密な因果チェックを失敗し、選択されたサロゲートは、記述されたチェックをパスする。
主な違いは、よりリッチな集計スコアではなく、予測されたフィールド上の候補毎の物理証拠である。
関連論文リスト
- VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。
しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。
本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-17T14:09:35Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - Towards Automated Error Discovery: A Study in Conversational AI [48.735443116662026]
本稿では,会話型AIにおけるエラーの検出と定義のためのフレームワークであるAutomated Error Discoveryを紹介する。
また,その実装に対するエンコーダに基づくアプローチとして,SEEED(Soft Clustering Extended-Based Error Detection)を提案する。
論文 参考訳（メタデータ） (2025-09-13T14:53:22Z) - SciML Agents: Write the Solver, Not the Solution [69.5021018644143]
敵の"ミスリーディング"問題の診断データセットと,1,000種類のODEタスクの大規模ベンチマークという,2つの新しいデータセットを紹介した。
オープンおよびクローズドソース LLM モデルについて, (i) 誘導型とガイド型, (ii) オフ・ザ・シェルフ対微調整型という2つの軸に沿って評価した。
予備的な結果は、慎重なプロンプトと微調整により、単純なODE問題を確実に解決できる特殊なLLMエージェントが得られることを示唆している。
論文 参考訳（メタデータ） (2025-09-12T02:53:57Z) - A Systematic Review of Machine Learning Approaches for Detecting Deceptive Activities on Social Media: Methods, Challenges, and Biases [0.037693031068634524]
本稿では、機械学習(ML)モデルとディープラーニング(DL)モデルを用いて、ソーシャルメディア上の偽ニュース、スパム、偽アカウントを検出する研究を体系的に評価する。
論文 参考訳（メタデータ） (2024-10-26T23:55:50Z) - Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。
実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
論文 参考訳（メタデータ） (2024-06-05T20:19:09Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - Classifier Data Quality: A Geometric Complexity Based Method for
Automated Baseline And Insights Generation [4.722075132982135]
主な課題は、モデルの精度や分類器のF1スコアなどの誤りのレベルが受け入れられるかどうかを決定することである。
我々は、与えられた観測が真のクラスラベルに割り当てるのがいかに困難であるかを定量化する複雑性測定法を開発した。
これらの尺度は、線形計算コストに対して、各観測の分類複雑性を説明可能な形で定量化するという点において、ベストプラクティスのベースラインよりも優れている。
論文 参考訳（メタデータ） (2021-12-22T12:17:08Z) - Anomaly Detection With Conditional Variational Autoencoders [1.3541554606406663]
我々は,Deep Conditional Variational Autoencoder (CVAE) を利用して,階層的に構造化されたデータを対象としたメトリクスとともに,元の損失関数を定義する。
CERN大ハドロン衝突型加速器における多くの粒子物理学実験の基本的な構成要素であるトリガーシステムを監視する。
論文 参考訳（メタデータ） (2020-10-12T08:39:37Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。