論文の概要: Autonomous discovery of accelerator commissioning algorithms
- arxiv url: http://arxiv.org/abs/2608.07138v1
- Date: Fri, 07 Aug 2026 11:56:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.486122
- Title: Autonomous discovery of accelerator commissioning algorithms
- Title（参考訳）: 加速器コミッショニングアルゴリズムの自律的発見
- Abstract要約: このレターは、言語モデルエージェントがコミッショニングコードを書き、シミュレーションでそれをテストし、結果からアルゴリズムを改善する、クローズドな研究ループを示す。
ALS-UリングモデルにおけるRFビームキャプチャーに適用すると、ループは作業専門家の手順を大幅に改善する。
- 参考スコア（独自算出の注目度）: 0.2538209532048867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulated commissioning has become essential for de-risking modern light-source design and commissioning, but the procedures being simulated are still designed entirely by human experts. Their labor-intensive redevelopment after lattice changes makes such studies hard to repeat and limits their use during early design iteration. This Letter demonstrates a closed research loop in which a language-model agent writes commissioning code, tests it in simulation, and improves the algorithm from the results. Applied to RF beam capture in the ALS-U accumulator-ring model, the loop substantially improves a working expert procedure and can construct a working one from a minimal starting point, with more capable models succeeding from less initial code. Extending the same framework to multiple objectives produces 16 non-dominated algorithms spanning physically distinct trade-offs between rapid beam capture and correction of seeded machine errors. This reframes commissioning studies from evaluating human-designed procedures toward a mode in which agents participate directly in discovering accelerator algorithms.
- Abstract（参考訳）: シミュレートされたコミッショニングは、現代の光源設計とコミッショニングのリスクをなくすために欠かせないものとなっているが、シミュレートされた手順は、まだ完全に人間の専門家によって設計されている。
格子変更後の労働集約的な再開発は、そのような研究を繰り返すのを難しくし、初期の設計イテレーションでの使用を制限する。
このレターは、言語モデルエージェントがコミッショニングコードを書き、シミュレーションでそれをテストし、結果からアルゴリズムを改善する、クローズドな研究ループを示す。
ALS-UアキュムレータリングモデルにおけるRFビームキャプチャーに適用すると、ループは作業専門家の手順を大幅に改善し、最小の開始点から作業専門家を構築できる。
同じフレームワークを複数の目的に拡張すると、高速ビームキャプチャとシードマシンエラーの修正の間の物理的に異なるトレードオフにまたがる16の非支配アルゴリズムが生成される。
これは、エージェントがアクセラレーターアルゴリズムの発見に直接参加するモードに向けた、人間設計の手順を評価することによって研究を委任するものである。
関連論文リスト
- LLM-Guided Test-Time Discovery of Quantum-Chemical Approximation Algorithms [16.126073821519636]
LADeQは、既存の量子化学コードのテスト時に候補近似アルゴリズムを発見し、実装し、ベンチマークする。
既定の言語モデルに基づいて構築されるため、LADeQはタスク固有の事前トレーニングやキュレートされたデータを必要としない。
LADeQはクラスタシングルとダブル(CCSD)と構成インタラクションシングルとダブル(CISD)の計算を高速化する。
論文 参考訳（メタデータ） (2026-06-17T05:58:58Z) - Evaluation-driven Scaling for Scientific Discovery [77.20820317940581]
並列探索,フィードバック駆動の洗練,局所選択を組み合わせた,シンプルなテスト時間評価駆動スケーリング(SimpleTES)を紹介した。
適切な次元に沿って評価駆動の発見ループをスケールすることで、かなりの利益が得られます。
本研究は, 科学的発見を進展させる中心軸として, 効果的な評価駆動型ループスケーリングを確立した。
論文 参考訳（メタデータ） (2026-04-21T11:24:09Z) - From Paper to Program: Accelerating Quantum Many-Body Algorithm Development via a Multi-Stage LLM-Assisted Workflow [4.866193347313755]
大規模言語モデル(LLM)は高速にコードを生成することができるが、科学的アルゴリズムでは信頼性が低い。
本稿では,理論抽出,形式仕様,コード実装を分離した多段階LLM支援ワークフローを提案する。
論文 参考訳（メタデータ） (2026-04-05T12:12:54Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - Faster Predictive Coding Networks via Better Initialization [52.419343840654186]
本稿では,従来のトレーニングサンプルの反復的進捗を抑えることを目的とした,予測符号化ネットワークのための新しい手法を提案する。
本実験は,教師なし設定と教師なし設定の両方において,収束速度と最終テスト損失が大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2026-01-28T08:52:19Z) - atommovr: An open-source simulation framework for rearrangement in atomic arrays [5.442106161233214]
原子再構成は、中性原子ベースの量子プロセッサを開発するための基本的な構成要素である。
我々は,アルゴリズムの開発,比較,ベンチマークを行うためのオープンソースのシミュレーションフレームワークを開発した。
我々は, 任意の目標をほぼ一様の成功率で作成できる, ナイーブな二重種アルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-08-04T17:59:47Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳（メタデータ） (2023-10-27T01:50:33Z) - CodeRL: Mastering Code Generation through Pretrained Models and Deep
Reinforcement Learning [92.36705236706678]
CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。
推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。
モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
論文 参考訳（メタデータ） (2022-07-05T02:42:15Z) - Ordering-Based Causal Discovery with Reinforcement Learning [31.358145789333825]
本論文では, RL を順序付けに基づくパラダイムに組み込むことにより, RL に基づく因果的発見手法を提案する。
提案手法の一貫性と計算複雑性を分析し,事前学習モデルを用いて学習を高速化できることを実証的に示す。
論文 参考訳（メタデータ） (2021-05-14T03:49:59Z) - Investigating the Scalability and Biological Plausibility of the
Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。
このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。
また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文 参考訳（メタデータ） (2020-10-13T08:02:38Z) - Process Discovery for Structured Program Synthesis [70.29027202357385]
プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。
本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。
我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
論文 参考訳（メタデータ） (2020-08-13T10:33:10Z)
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。