論文の概要: POMDPs for Autonomous Science Exploration
- arxiv url: http://arxiv.org/abs/2608.03155v1
- Date: Tue, 04 Aug 2026 05:38:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.698267
- Title: POMDPs for Autonomous Science Exploration
- Title（参考訳）: 自律科学探査のためのPOMDP
- Abstract要約: 生センサデータではなく、推論された物理的特性に枝分かれすることで、科学駆動の信念空間計画がより魅力的になる科学仮説マップPOMDP(Science hypothesis Map POMDP:SHM-POMDP)を紹介した。
50次元の観測で拡張されたRockSampleドメインでは、SHM-POMDPは連続観測ベースラインよりも18.6%高い報酬と32.9%の時間の短縮を達成した。
- 参考スコア（独自算出の注目度）: 5.553127690929986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous exploration missions require decision-making under sensor uncertainty and computational constraints, yet integrating scientific representations into POMDP planning has remained intractable due to high-dimensional observation spaces. Information-theoretic planners overcome this by assuming deterministic observations, sacrificing the principled uncertainty quantification that POMDPs provide. We introduce the Science Hypothesis Map POMDP (SHM-POMDP), which makes science-driven belief-space planning more tractable by branching on inferred physical properties rather than raw sensor data. This preserves full sensor information through learned observation models while enabling the planner to reason jointly about navigation and scientific properties under uncertainty. On an extended RockSample domain with 50-dimensional observations, SHM-POMDP achieves 18.6\% higher rewards and 32.9\% reduced computation time per step than continuous-observation baselines. On realistic geologic exploration using Cuprite hyperspectral data, SHM-POMDP achieves 2.5$\times$ higher information gain than the best information-theoretic baseline by maintaining beliefs and replanning adaptively---reaching 80\% of oracle performance using only uniform priors. These results demonstrate that integrating hierarchical probabilistic models into belief-space planning enables tractable, principled autonomous science that outperforms both traditional POMDP methods and science-aware information-theoretic approaches.
- Abstract（参考訳）: 自律探査ミッションでは、センサの不確実性や計算上の制約の下での意思決定が必要であるが、高次元観測空間のために科学的表現をPOMDP計画に統合することは困難である。
情報理論的なプランナーは、決定論的観測を仮定し、POMDPが提供する原則的な不確実性定量化を犠牲にすることでこれを克服する。
生センサデータではなく、推論された物理的特性に枝分かれすることで、科学駆動の信念空間計画がより魅力的になる科学仮説マップPOMDP(Science hypothesis Map POMDP:SHM-POMDP)を紹介した。
これにより、学習した観測モデルを通じて完全なセンサー情報を保存し、プランナーが不確実性の下でナビゲーションと科学的な特性を共同で推論することを可能にする。
50次元観測で拡張されたRockSampleドメインでは、SHM-POMDPは連続観測ベースラインよりも18.6\%高い報酬と32.9\%の計算時間を達成している。
カップライトハイパースペクトルデータを用いた現実的な地質探査において、SHM-POMDPは、信念を維持し、適応的に再設計することで、最高の情報理論ベースラインよりも2.5$\times$高い情報ゲインを達成する。
これらの結果は,階層的確率モデルを信念空間計画に組み込むことで,従来のPOMDP手法と科学技術情報理論の双方に勝る,トラクタブルで原則化された自律科学を実現することを実証している。
関連論文リスト
- Forecasting Scientific Progress with Artificial Intelligence [75.02347691513005]
我々は,AIシステムにおける科学的予測を,実現可能性評価,機械的推論,生成的ソリューション設計,時間的予測を通じて評価する。
4,760件の科学的イベントにおいて,現在のフロンティアモデルにおける体系的および領域依存的制約を観察した。
パフォーマンスはドメイン間で非常に均一であり、AIの進行のタイミングは生物学、化学、物理学の進歩よりも予測可能である。
論文 参考訳（メタデータ） (2026-05-21T16:23:36Z) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - 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) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - GFM4MPM: Towards Geospatial Foundation Models for Mineral Prospectivity Mapping [2.7998963147546148]
本研究では,ラベルのない地理空間データのみを用いて,バックボーンニューラルネットワークを自己教師型で学習する自己教師型アプローチを提案する。
以上の結果から,自己超越が学習特徴の堅牢性を促進し,予測精度が向上することが示唆された。
我々は、説明可能な人工知能技術を利用して、個々の予測が地質学的観点から解釈できることを実証する。
論文 参考訳（メタデータ） (2024-06-18T16:24:28Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Enforcing the Principle of Locality for Physical Simulations with Neural Operators [0.0]
時間依存偏微分方程式(PDE)は、物理学における局所性の原理に従って厳密に局所依存的である。
ディープラーニングアーキテクチャは、ローカルな予測を行うための情報の範囲を必然的に増やすため、ローカル依存を厳格に強制することはできない。
本稿では,局所的な予測を行うニューラル演算子の情報範囲を厳格に制限するデータ分解手法を提案する。
論文 参考訳（メタデータ） (2024-05-02T14:24:56Z) - Optimality Guarantees for Particle Belief Approximation of POMDPs [55.83001584645448]
部分的に観測可能なマルコフ決定プロセス(POMDP)は、現実の意思決定と制御の問題に対する柔軟な表現を提供する。
POMDPは、特に状態と観測空間が連続的またはハイブリッドである場合、解決するのが非常に難しい。
本稿では,これらのアルゴリズムが使用する粒子フィルタリング手法の近似誤差を特徴付ける理論を提案する。
論文 参考訳（メタデータ） (2022-10-10T21:11:55Z) - A Perspective on Gaussian Processes for Earth Observation [23.66931064985429]
空中・衛星リモートセンシングとその場観測による地球観測は、地球をモニタリングする上で重要な役割を担っている。
特に、機械学習とガウス過程(GP)は、生物地球物理変数の推定において際立った結果を得た。
前方および逆モデリングの大幅な進歩にもかかわらず、GPモデルは依然として重要な課題に直面しなければならない。
論文 参考訳（メタデータ） (2020-07-02T16:44:11Z)
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。