論文の概要: Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems
- arxiv url: http://arxiv.org/abs/2607.09025v1
- Date: Fri, 10 Jul 2026 01:09:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.763059
- Title: Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems
- Title（参考訳）: 科学的発見のための進化的知性:進化的計算から累積的発見システムへ
- Abstract要約: 進化計算(EC)は、フィードバック駆動型発見のための計算基盤を提供する。
本総説では, 科学的発見のための進化知能(EI)について紹介する。
EIは、探究を継続する科学的なAIシステムの特徴を、候補の洗練と経験の保持を結びつけることで特徴づける。
- 参考スコア（独自算出の注目度）: 52.75919264158643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) is shifting scientific discovery from task-specific workflows towards autonomous systems that organize exploration with experimental and human feedback in open-ended candidate spaces. Evolutionary computation (EC) provides a computational basis for feedback-driven discovery because population-based search can maintain diverse scientific candidates while steering exploration through accumulated evidence. However, EC predominantly focuses on candidate refinement for predefined problems, whereas cumulative discovery requires experience retention. To bridge this gap, this review introduces evolutionary intelligence (EI) for scientific discovery. EI characterizes scientific AI systems that sustain exploration by linking candidate refinement with experience retention across evolutionary cycles. We introduce a five-dimensional analytical framework that asks what evolves, how candidates change, why candidates are selected, where feedback originates, and when evolution occurs. This framework clarifies how EI transforms isolated search trajectories into cumulative scientific insight. We further demonstrate this paradigm across diverse discovery modes, from evolving concrete scientific entities to orchestrating automated research workflows. Finally, we identify critical bottlenecks regarding evaluation, process traceability, and shared infrastructure, providing a concrete roadmap for advancing the transition from EC to EI in scientific discovery.
- Abstract（参考訳）: 人工知能(AI)は、科学的な発見をタスク固有のワークフローから、オープンエンドの候補空間における実験的および人間のフィードバックによる探索を組織する自律システムへとシフトしている。
進化的計算(EC)は、集団に基づく探索が、蓄積された証拠を探索しながら様々な科学的候補を維持できるため、フィードバック駆動型発見の計算基盤を提供する。
しかし、ECは主に事前定義された問題に対する候補の改良に焦点を当てているが、累積的な発見には経験の保持が必要である。
このギャップを埋めるために、このレビューでは科学的発見のための進化的知性(EI)を紹介します。
EIは、進化のサイクルにまたがって、候補の洗練と経験の保持を結びつけることによって探索を維持する科学的なAIシステムの特徴である。
提案する5次元分析フレームワークは,何の進化か,どのように候補が変化するのか,なぜ候補が選択されるのか,どこからフィードバックが生まれ,いつ進化が起こるのかを問うものである。
このフレームワークは、EIが孤立した探索軌跡を累積的な科学的洞察に変換する方法を明らかにする。
さらに、具体的な科学的実体の進化から、自動研究ワークフローの編成に至るまで、様々な発見モードでこのパラダイムを実証する。
最後に、評価、プロセストレーサビリティ、共有インフラストラクチャに関する重要なボトルネックを特定し、科学的発見においてECからEIへの移行を進めるための具体的なロードマップを提供する。
関連論文リスト
- AI Scientists as Engines of Discovery: A Case for Development within Reformed Institutions [0.10102237605686408]
エージェント人工知能(AI)システムは、科学的な発見を支援し、加速し、部分的に自動化し始めている。
我々は、適切に設計されたマルチエージェントシステムは、受動的計算ツールからAI科学者へと進化するかもしれないと論じる。
このようなシステムは、目的に適した科学的エコシステム内で開発され、展開されなければならない。
論文 参考訳（メタデータ） (2026-06-22T05:06:29Z) - EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery [51.25847252305662]
EvoSciは、バイオインスパイアされた進化と知識グラフモデリングを統合する、マルチエージェントの科学コラボレーションフレームワークである。
共同推論、共有記憶、進化的フィードバックを組み合わせることで、EvoSciは科学的探索の一貫性と創造性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-20T04:58:49Z) - Beyond AI as Assistants: Toward Autonomous Discovery in Cosmology [0.02455468619225742]
人工知能(AI)エージェントの最近の進歩は、自律的な科学的発見に向けたツールを超えて、AIを推し進めている。
textttCMBEvolve と textttCosmoEvolve の2つの相補的エージェントシステムについて論じる。
宇宙論は、AI科学者システムの開発において、制御されたベンチマークタスクと現実的なオープンな研究課題の両方を提供することができるかを示す。
論文 参考訳（メタデータ） (2026-05-14T12:58:12Z) - Intentmaking and Sensemaking: Human Interaction with AI-Guided Mathematical Discovery [72.49593499512092]
インテントメイキングという別のワークフローを特定し、特徴付けします。
私たちはこれをセンスメイキングの自然な拡張と捉えています。
これらのテーマのドキュメンテーションは、科学的発見のためのAIツール設計へのアプローチを示唆している。
論文 参考訳（メタデータ） (2026-05-07T09:30:25Z) - EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery [18.348102991427965]
EvoScientistは進化するマルチエージェントAI科学者フレームワークである。
永続記憶と自己進化を通じて研究戦略を継続的に改善する。
科学的なアイデア生成において、7つのオープンソースおよび商用の最先端システムを上回っている。
論文 参考訳（メタデータ） (2026-03-09T09:07:19Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z) - From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery [108.1082357960201]
エージェントAIは仮説生成、実験設計、実行、分析、反復的洗練の能力を示す。
この調査は、生命科学、化学、材料科学、物理学にまたがる自律的な科学的発見のドメイン指向のレビューを提供する。
論文 参考訳（メタデータ） (2025-08-18T05:25:54Z) - From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。
この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
論文 参考訳（メタデータ） (2025-05-19T15:41:32Z)
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。