論文の概要: CAi Copilot: Reducing Operational Workload in Molecular Design through Intent-Driven Agentic Workflows
- arxiv url: http://arxiv.org/abs/2608.06961v1
- Date: Fri, 07 Aug 2026 08:36:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.418542
- Title: CAi Copilot: Reducing Operational Workload in Molecular Design through Intent-Driven Agentic Workflows
- Title（参考訳）: CAi Copilot: インテント駆動エージェントワークフローによる分子設計における運用負荷削減
- Abstract要約: 初期分子設計は分子生成のタスクではない。
研究者は幅広い目標を設計戦略に転換し、候補を洗練させ、多くの特性を評価し、合成と試験の前に証拠を収集する。
AIメソッドは、分子を生成し、いくつかの目標を最適化し、特性を予測し、ドック化合物を合成する。
本稿では,3つの連結層を持つ専門家指向エージェントであるCAi Copilotを紹介する。
- 参考スコア（独自算出の注目度）: 13.08147687719993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early-stage molecular design is an iterative process, not just a task of generating molecules. Researchers turn broad goals into design strategies, refine candidates, assess many properties, and gather evidence before synthesis and tests. AI methods can generate molecules, optimize several goals, predict properties, dock compounds, and account for synthesis. Yet these functions are spread across specialized tools. Experts must still coordinate each step, judge interim results, and integrate evidence. The central challenge is thus to turn research intent into adaptive, traceable runs grounded in scientific tools. We cast this challenge as intent-to-evidence molecular design workflow execution and present CAi Copilot, an expert-oriented agent with three linked layers. The Research Interface Layer turns intent into an executable plan. The Agent Reasoning Layer uses interim results to guide each run. The Execution Substrate supplies molecular tools, metrics, reusable utilities, and backend services. Across 45 tasks, CAi achieves the strongest overall performance, with an outcome score of 84.59, exceeding the next-best result by 18.07 points. Additional benchmarks test how CAi coordinates generation, screening, and multi-criteria evaluation, while exposing limits in long-horizon execution. These results show that CAi turns broad molecular-design intent into transparent, traceable workflows that connect interim decisions to candidate-level evidence.
- Abstract（参考訳）: 初期分子設計は、分子を生成するタスクだけではなく、反復的なプロセスである。
研究者は幅広い目標を設計戦略に転換し、候補を洗練させ、多くの特性を評価し、合成と試験の前に証拠を収集する。
AIメソッドは、分子を生成し、いくつかの目標を最適化し、特性を予測し、ドック化合物を合成する。
しかし、これらの機能は専門のツールに分散している。
専門家は、各ステップを調整し、中間結果を判断し、証拠を統合する必要がある。
したがって、研究の意図を科学的ツールに根ざした適応的でトレーサブルな実行に変換することが、中心的な課題である。
我々はこの課題を分子設計ワークフローの実行の意図と評価し、3つの連結層を持つエキスパート指向エージェントであるCAi Copilotを紹介した。
Research Interface Layerはインテントを実行可能なプランに変換する。
Agent Reasoning Layerは、中間結果を使用して各実行をガイドする。
Execution Substrateは、分子ツール、メトリクス、再利用可能なユーティリティ、バックエンドサービスを提供する。
45タスク中、CAiは84.59得点で最強の総合成績を収め、18.07得点で次点を上回った。
追加のベンチマークでは、CAiが生成、スクリーニング、マルチ基準評価をどのように調整するかを検証し、長時間水平実行の限界を明らかにしている。
これらの結果は、CAiが広い分子設計意図を、中間決定と候補レベルの証拠を結びつける透明でトレーサブルなワークフローに変換することを示している。
関連論文リスト
- SciForge: An AI-Native, Multimodal Workbench for Scientific Discovery [48.99744520105086]
SciForgeはマルチモーダルな研究ネイティブAIワークベンチである。
検索、解析、モデルルーティング、ワークフローの実行、プロット、書き込み、プレゼンテーション生成がモジュラーエージェントアクセス可能なサービスとして実行される間、人間の判断のためにグラフィカルインターフェースを予約する。
論文 参考訳（メタデータ） (2026-07-17T15:13:03Z) - Rethinking Scientific Discovery in the Agentic Era [69.85050591628048]
SCIONは、Textbfの組織ネクサスとして機能するエージェント科学オペレーティングシステムである。
中心となるのは textbfResearch Execution Plan (REP) であり、これは高いレベルの科学的意図をステージ化された目的、依存関係、検証チェックポイント、ツール要件、期待される成果物、フォールバック条件にコンパイルする。
SCION 下での発見を textbfTarget- Conditioned Inverse Search として定式化し,有限実験予算下でのバッチ能動探索により隠れターゲット設定に拡張する。
論文 参考訳（メタデータ） (2026-07-04T13:09:33Z) - From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。
まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。
次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
論文 参考訳（メタデータ） (2026-06-14T05:40:16Z) - How to Interpret Agent Behavior [56.59836196946289]
本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。
共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
論文 参考訳（メタデータ） (2026-05-13T14:52:40Z) - MolClaw: An Autonomous Agent with Hierarchical Skills for Drug Molecule Evaluation, Screening, and Optimization [33.79201734694036]
MolClawは、薬物分子の評価、スクリーニング、最適化を導く自律エージェントである。
3階層の階層的スキルアーキテクチャを通じて、30以上の専門的なドメインリソースを統一する。
MolClawはすべてのメトリクスで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-02T09:27:36Z) - Agents on a Tree: Pathwise Coordination for Multi-Objective Molecular Optimization [33.33321738135092]
多目的分子最適化は、矛盾する目的の下で広大な化学空間を探索する必要がある。
木構造探索として分子最適化を定式化するマルチエージェントフレームワークであるATOMを提案する。
論文 参考訳（メタデータ） (2026-03-27T14:21:21Z) - SciNav: A General Agent Framework for Scientific Coding Tasks [12.136493066748391]
科学的コーディングタスクのためのエージェントフレームワークSciNav(Scientific Navigator)を紹介する。
我々のフレームワークは、制約付き検索予算の下で動作するように設計されている。
2つのベンチマークで異なるタイプのタスクにまたがってエージェントの有効性を示す。
論文 参考訳（メタデータ） (2026-03-11T11:57:51Z) - Accelerating Scientific Discovery with Autonomous Goal-evolving Agents [51.6546298853762]
我々は,この課題を是正するために,科学自律ゴール進化エージェント(SAGA)を紹介した。
SAGAは、LLMエージェントの外ループが最適化結果を分析し、新しい目的を提案し、計算可能なスコアリング関数に変換する二段階アーキテクチャを採用している。
本フレームワークは, 抗生物質設計, 無機材料設計, 機能的DNA配列設計, 化学プロセス設計など, 幅広い応用で実証されている。
論文 参考訳（メタデータ） (2025-12-25T20:54:41Z) - FROGENT: An End-to-End Full-process Drug Design Agent [19.025736969789566]
薬物発見のための強力なAIツールは、孤立したWebアプリ、デスクトッププログラム、コードライブラリに存在する。
この問題に対処するため、FROGENTという名前のフルプロセスduG dEsign ageNTが提案されている。
FROGENTはLarge Language ModelとModel Context Protocolを使用して、複数の動的生化学データベース、ツールライブラリ、タスク固有のAIモデルを統合する。
論文 参考訳（メタデータ） (2025-08-14T15:45:53Z) - An Auditable Agent Platform For Automated Molecular Optimisation [0.0]
薬物発見は、データ、専門知識、ツールが散在すると、しばしば勢いを失う。
このループを短くするため、分子最適化を自動化するエージェントフレームワークを使用した階層的なツールを構築しました。
論文 参考訳（メタデータ） (2025-08-05T13:41:32Z) - AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。
既存のエージェントサーチ手法には3つの大きな制限がある。
これらの課題に対処するための包括的なフレームワークを導入します。
論文 参考訳（メタデータ） (2025-06-06T12:07:23Z) - MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation [96.71370747681078]
我々は,CIFAR-10におけるモデル性能の改善から,BabyLMのような最近の研究課題まで,13のタスクからなるMLAgentBenchを紹介した。
各タスクに対して、エージェントはファイルの読み書き、コードの実行、出力の検査などのアクションを実行することができる。
我々は、Claude v1.0、Claude v2.1、Claude v3 Opus、GPT-4、GPT-4-turbo、Gemini-Pro、Mixtralに基づいてベンチマークエージェントをベンチマークし、Claude v3 Opusエージェントが成功率の点で最高であることを示す。
論文 参考訳（メタデータ） (2023-10-05T04:06:12Z)
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。