論文の概要: An Agentic AI Scientific Community for Automated Neural Operator Discovery
- arxiv url: http://arxiv.org/abs/2607.12122v1
- Date: Mon, 13 Jul 2026 20:07:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:29.960778
- Title: An Agentic AI Scientific Community for Automated Neural Operator Discovery
- Title（参考訳）: ニューラルネットワーク発見自動化のためのエージェントAI科学コミュニティ
- Abstract要約: 本稿では,AI科学コミュニティに基づく自律神経オペレータ発見のためのエージェント的アプローチを提案する。
ニューラル演算子のAI科学コミュニティは,1次元回帰,線形対流とバーガース1次元PDE,ナビエ-ストークスとダーシー流の2次元PDEの5つの問題について評価した。
- 参考スコア（独自算出の注目度）: 0.9023847175654603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an agentic approach to autonomous neural operator discovery based on an AI scientific community, which consists of a swarm of virtual laboratories that interact under a citation-based economy of influence. Highly-cited labs found new labs that follow their research direction and replace non-performing labs. Each virtual lab contains three agents: an LLM planner that proposes an architecture, a numerical worker that trains and measures it, and an LLM reviewer that participates in cross-lab peer review. All labs share a common vocabulary consisting of DeepONet (branch-trunk), Fourier, Transformer (attention), wavelet, and residual convolutional neural operator building blocks. We evaluate the neural operator AI scientific community on five problems, namely piecewise regression, the linear advection and Burgers 1D PDEs, and the Navier-Stokes and Darcy flow 2D PDEs, while repeating the simulation three times for each problem. The results show that the neural operator AI scientific community is capable of discovering high-accuracy, low-parameter-count neural operator architectures. All 9,623 LLM calls are logged and audited, which reveals that the virtual lab LLM planners choose to hybridize in 99.8% of their logged decisions, consistently returning multi-family hybrids. Moreover, we conducted an ablation study by replacing the LLM agents in each lab by rule-based alternatives, which caused the scientific community to collapse to non-hybridized single-family stacks in several cases, showing that LLM agency is needed to preserve diversity. The results suggest a no-free-lunch theorem for neural operators: there is no universal winner. The code, configurations, and the complete LLM transcripts are released at https://github.com/luislootx/AI-SC.
- Abstract（参考訳）: 我々は、引用に基づく影響力の経済の下で相互作用する仮想実験室の群れからなるAI科学コミュニティに基づく自律神経オペレーター発見に対するエージェント的アプローチを提案する。
活発な実験室は、研究の方向性に従い、パフォーマンスの低い実験室を置き換える新しい実験室を発見した。
各仮想ラボには、3つのエージェントがある:アーキテクチャを提案するLLMプランナー、それを訓練し測定する数値ワーカー、そしてクロスラブピアレビューに参加するLLMレビュアー。
すべての研究室はDeepONet(ブランチ・トランク)、フーリエ(フーリエ)、トランスフォーマー(アテンション)、ウェーブレット(ウェーブレット)、残余の畳み込みニューラル演算子(英語版)から構成される共通の語彙を共有している。
ニューラル演算子のAI科学コミュニティは,1つの問題,すなわち線形対流とバーガース1次元PDE,およびナビエ・ストークスとダーシー流の2次元PDEの5つの問題について,シミュレーションを3回繰り返しながら評価した。
その結果、神経オペレーターAI科学コミュニティは、高精度で低パラメータ数な神経オペレーターアーキテクチャを発見できることがわかった。
9,623のLSMコールがログされ、監査され、仮想ラボのLSMプランナーが、ログ化された決定の99.8%でハイブリダイゼーションを選択し、連続してマルチオリジンハイブリッドを返却していることが明らかになった。
さらに,各研究室のLSMエージェントをルールベースの代替品で置き換えてアブレーション研究を行い,いくつかの事例において科学コミュニティが非ハイブリダイズされた単一系統のスタックに崩壊する原因となり,LCMエージェンシーが多様性の維持に必要であることが示唆された。
結果は、ニューラル作用素に対するノーランチ定理(英語版)を示唆している:普遍的な勝者は存在しない。
コード、設定、完全なLCMの書き起こしはhttps://github.com/luislootx/AI-SCで公開されている。
関連論文リスト
- Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。
その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。
2つの実行は、構造的に異なる条件下でこれを検証します。
論文 参考訳（メタデータ） (2026-05-31T16:05:41Z) - Claw AI Lab: An Autonomous Multi-Agent Research Team [73.07229229907435]
今回紹介するClaw AI Labは,ラボネイティブな自律型研究プラットフォームである。
1つのエージェントや固定されたシリアルワークフローを中心にシステムを集中するのではなく、ユーザーは1つのプロンプトから完全な研究チームをインスタンス化できる。
Claw-Code Harnessはローカル、データセット、チェックポイントを接続して実行可能な実験を行い、実行成果物を研究ループにフィードバックする。
論文 参考訳（メタデータ） (2026-05-21T16:02:53Z) - AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents [1.7590081165362783]
我々は、計算流体力学のためのオープンソースのAI科学者であるAI CFD Scientistを紹介する。
文献に基づくアイデア、検証された実行、視覚に基づく物理検証、ソースコードの修正、図形による記述を単一の検査可能なワークフローで行うのは、これが初めてである。
論文 参考訳（メタデータ） (2026-05-07T17:27:23Z) - Experiment-as-Code Labs: A Declarative Stack for AI-Driven Scientific Discovery [16.75156456478123]
我々はExperiment-as-Code (EaC) Labs'と呼ばれる新しいパラダイムを提案する。
EaC Labsは、実験をデバイスレベルのAPIにコンパイル可能な宣言型構成としてエンコードする。
これは、科学、実験室、楽器に依存しない一般的なスタックです。
論文 参考訳（メタデータ） (2026-05-06T00:50:34Z) - NeuroClaw Technical Report [54.14941057366186]
NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。
NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。
3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
論文 参考訳（メタデータ） (2026-04-27T16:57:14Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Method of Manufactured Learning for Solver-free Training of Neural Operators [0.24554686192257422]
Method of Manufactured Learning (MML)は、ニューラル演算子を訓練するためのソルバに依存しないフレームワークである。
MLは古典的な製造法にインスパイアされ、数値データ生成を関数合成に置き換える。
MMLは高いスペクトル精度、低い残差誤差、そして目に見えない条件への強い一般化を実現する。
論文 参考訳（メタデータ） (2025-11-17T02:24:19Z) - LabOS: The AI-XR Co-Scientist That Sees and Works With Humans [51.025615465050635]
LabOSは、計算推論と物理実験を結びつける最初のAI共同科学者である。
マルチモデルAIエージェント、スマートグラス、人間とAIのコラボレーションを接続することで、LabOSはAIが科学者が見ているものを確認し、実験コンテキストを理解し、リアルタイム実行を支援することができる。
論文 参考訳（メタデータ） (2025-10-16T16:36:22Z) - Autonomous Microscopy Experiments through Large Language Model Agents [4.241267255764773]
大規模言語モデル(LLM)は、材料研究のための自己運転実験室(SDL)に革命をもたらしている。
LLM駆動エージェントによる原子間力顕微鏡の自動化フレームワークであるArtificially Intelligent Lab Assistant (AILA)を紹介する。
アートモデルの現状が,基本的なタスクや調整シナリオに苦労していることに気付きました。
論文 参考訳（メタデータ） (2024-12-18T09:35:28Z) - AutoSciLab: A Self-Driving Laboratory For Interpretable Scientific Discovery [1.1740681158785793]
AutoSciLabは、自律的な科学実験を駆動するための機械学習フレームワークである。
これは高次元空間における科学的発見を目的とした代理研究者を形成する。
オープンエンドなナノフォトニクスの課題に私たちのフレームワークを適用することで、AutoSciLabは、非コヒーレント発光を誘導する根本的に新しい方法を発見しました。
論文 参考訳（メタデータ） (2024-12-16T20:41:46Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z)
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。