論文の概要: TopoAgent: A Self-Evolving Topological Agent for Multimodal Scientific Reasoning
- arxiv url: http://arxiv.org/abs/2607.14658v1
- Date: Thu, 16 Jul 2026 07:22:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.025041
- Title: TopoAgent: A Self-Evolving Topological Agent for Multimodal Scientific Reasoning
- Title（参考訳）: TopoAgent:マルチモーダル科学推論のための自己進化型トポロジカルエージェント
- Abstract要約: TopoAgentは、線形軌跡を動的に状態分離されたグラフの進化に置き換える自己進化的トポロジカルフレームワークである。
TopoAgentは最先端のリニアエージェントフレームワークよりも優れています。
- 参考スコア（独自算出の注目度）: 43.47647420536021
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Multimodal Large Language Models (MLLMs) excel in general tasks, rigorous scientific reasoning remains challenging due to the limitations of monolithic, linear planning. Such sequential designs often suffer from visual-semantic misalignment, long-context hallucinations, and brittle execution under fixed task granularity. We propose TopoAgent, a self-evolving topological framework that replaces linear trajectories with dynamic, state-isolated graph evolution. TopoAgent first employs a front-end decomposer to fracture complex queries into visually-grounded atoms. These atoms are organized into a Directed Acyclic Graph (DAG) based on their dependencies, enabling strict context isolation to shield the reasoning engine from irrelevant historical noise. Furthermore, we introduce adaptive atomic fission, which dynamically splits bottleneck nodes into finer-grained sub-atoms at runtime when tool capability boundaries are exceeded. Extensive experiments across mathematics, physics, and chemistry benchmarks demonstrate that TopoAgent significantly outperforms state-of-the-art linear agent frameworks, providing a robust, noise-resistant, and self-correcting paradigm for autonomous scientific reasoning.
- Abstract（参考訳）: MLLM(Multimodal Large Language Models)は一般的なタスクでは優れているが、モノリシックで線形計画の限界のため、厳密な科学的推論は依然として困難である。
このようなシーケンシャルなデザインは、しばしば視覚的意味的ミスアライメント、長いコンテキストの幻覚、固定されたタスクの粒度の下での脆い実行に悩まされる。
TopoAgentは線形軌跡を動的・状態分離グラフの進化に置き換える自己進化的トポロジカルフレームワークである。
TopoAgentは最初、複雑なクエリを視覚的に接地された原子に分解するためにフロントエンドの分解器を使用する。
これらの原子は依存関係に基づいてDAG(Directed Acyclic Graph)に編成され、厳密なコンテキスト分離によって推論エンジンが無関係な歴史的ノイズから保護される。
さらに,ツール機能境界を超える場合,動的にボトルネックノードを細粒度サブ原子に分割するアダプティブ原子分裂を導入する。
数学、物理学、化学のベンチマークにわたる大規模な実験は、TopoAgentが最先端の線形エージェントフレームワークを著しく上回り、自律的な科学的推論のための堅牢で耐雑音的で自己修正のパラダイムを提供することを示した。
関連論文リスト
- CausalMoE: A Billion-Scale Multimodal Foundation Model for Granger Causal Discovery with Pattern-Routed Heterogeneous Experts [25.563603697914242]
数十億のマルチモーダル・グランガー因果基盤モデルであるCausalMoEを提案する。
CaulMoEは、潜時パターンを動的に識別する、異種エキスパートのパターン制御混合を導入する。
また、変数間で動作し、スパースグランガー因果グラフを生成する因果自覚機構を設計する。
論文 参考訳（メタデータ） (2026-06-11T07:57:23Z) - Improving Coherence and Persistence in Agentic AI for System Optimization [9.443037059325086]
Engramは、反復的にメカニズムを設計、テスト、分析する一連のエージェントを探索する。
本研究では,マルチクラウドマルチキャスト推論,LLM要求ルーティング,自然言語クエリを用いたデータベースにおけるKVキャッシュ再利用の最適化など,さまざまな領域において優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2026-03-22T17:04:50Z) - OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。
マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。
また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
論文 参考訳（メタデータ） (2026-03-10T10:19:42Z) - Mozi: Governed Autonomy for Drug Discovery LLM Agents [21.429647382651677]
依存度の高い医薬品パイプラインでは、自律的なエージェントがしばしば再現不可能な軌道へと漂流する。
我々は、生成AIの柔軟性と計算生物学の決定論的厳密さを橋渡しする二重層アーキテクチャであるMoziを紹介する。
モジの大規模化学空間をナビゲートし、強い毒性フィルターを強制し、シリカ候補において高い競争力を発揮する能力を示す。
論文 参考訳（メタデータ） (2026-03-04T02:22:21Z) - From Flat Logs to Causal Graphs: Hierarchical Failure Attribution for LLM-based Multi-Agent Systems [13.588125015284257]
本稿では,カオス軌跡を階層型因果グラフに変換する新しいフレームワークCHIEFを提案する。
Who&Whenベンチマークの実験によると、CHIEFはエージェントレベルの精度とステップレベルの精度の両方で8つの強い、最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-27T06:08:42Z) - LLM-Based Scientific Equation Discovery via Physics-Informed Token-Regularized Policy Optimization [32.24464649397858]
PiT-POは、Large Language Modelsを強化学習を通じて適応ジェネレータに進化させる統一フレームワークである。
PiT-POの中心は、2重拘束機構であり、冗長構造を抑えるために微細でトークンレベルのペナルティを同時に適用しながら、階層的な物理的妥当性を厳格に強制する。
実証的に、PiT-POは標準ベンチマークで最先端のパフォーマンスを達成し、流体力学問題に挑戦する新しい乱流モデルを発見することに成功した。
論文 参考訳（メタデータ） (2026-02-11T07:02:23Z) - AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。
このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
論文 参考訳（メタデータ） (2026-01-28T16:05:44Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Lost in Tokenization: Context as the Key to Unlocking Biomolecular Understanding in Scientific LLMs [78.18336140706471]
Sci-LLMは、生物発見を加速するための有望なフロンティアとして登場した。
現在の戦略では生の生体分子配列を処理する際にSci-LLMの推論能力を制限する。
より効果的な戦略は、Sci-LLMに高レベルな構造化コンテキストを提供することである。
論文 参考訳（メタデータ） (2025-10-27T09:03:21Z)
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。