論文の概要: Harnessing agent memory to build lifelong AI partners for materials scientists

• arxiv url: http://arxiv.org/abs/2608.11224v1
• Date: Sat, 25 Jul 2026 09:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.583601
• Title: Harnessing agent memory to build lifelong AI partners for materials scientists
• Title（参考訳）: ハーネスティング・エージェント・メモリは、材料科学者のための生涯にわたるAIパートナーを作る
• Abstract要約: 我々は、物質科学のための生涯にわたるAIパートナーは、特定のエージェントの実装よりも永続的なメモリを中心に設計できると主張している。 科学的な経験を検査可能な事実と実行可能なスキルとして保存する自己進化型メモリフレームワークを導入し、観察、障害境界、プロトコル、バリデーションチェックをモデル間で検索し、修正し、移行できるようにする。 これらの結果から, エージェントメモリは, 単一のモデルやエージェントスタックを超越した, ポータブルで自己改善された材料検索体験の記録として, 耐久性のある科学的資産として機能することを示す。
• 参考スコア（独自算出の注目度）: 9.774511876116415
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Materials research advances through accumulated experience - scripts that work, protocols that are trusted, warnings attached to failed calculations or experiments, and judgement that links a new question to an old result. This experience is essential for reproducibility and knowledge transfer, yet it is usually fragmented across notebooks, repositories, job logs and individual memory, and it is rarely portable across artificial-intelligence agents. Here we argue that a lifelong AI partner for materials science can be designed around persistent memory rather than around a particular agent implementation. We introduce a self-evolving memory framework that stores scientific experience as inspectable facts and executable skills, so that observations, failure boundaries, protocols and validation checks can be retrieved, revised and migrated across models. We evaluate the idea in three computational settings that expose different layers of materials-research competence. In 49 real-world materials-tool-use questions comprising 138 executable subtasks, memory nearly doubles GPT-5.2 task success without model-parameter updates. In elemental-solid equation-of-state calculations, memory converts a wavefunction-initialization failure into a pre-execution guardrail, improving outcomes from 22/1/4 to 25/2/0 Correct/Partial/Error and avoiding 92% of repeated errors. In 13 practical material simulation workflows, remembered skills and failure facts halve the aggregate trace burden (tokens) and reduce tool calls by over a factor of two by the third round, while preserving physically meaningful outputs in band-gap, phonon, vacancy and work-function analyses. These results show that agent memory can serve as a durable scientific asset; a portable, self-improving record of materials-research experience that outlives any single model or agent stack.
• Abstract（参考訳）: 資料研究は、蓄積された経験、動作するスクリプト、信頼できるプロトコル、失敗した計算や実験に添付された警告、新しい質問を古い結果にリンクする判断などを通じて進展する。 この経験は再現性と知識伝達に不可欠であるが、通常ノート、リポジトリ、ジョブログ、個々のメモリで断片化され、人工知能エージェントで移植されることは滅多にない。 ここでは、物質科学のための生涯にわたるAIパートナーは、特定のエージェントの実装よりも永続的なメモリを中心に設計できると論じる。 科学的な経験を検査可能な事実と実行可能なスキルとして保存する自己進化型メモリフレームワークを導入し、観察、障害境界、プロトコル、バリデーションチェックをモデル間で検索、修正、移行できるようにします。 材料探索能力の異なる層を明らかにする3つの計算条件でその考え方を評価する。 138のサブタスクを含む49の現実世界の教材使用質問では、メモリはモデルパラメータを更新せずにGPT-5.2タスクの成功をほぼ2倍にしている。 要素-固体方程式計算において、メモリは波動関数初期化障害を事前実行ガードレールに変換し、22/1/4から25/2/0の補正/部分/エラーに改善し、繰り返しエラーの92%を回避する。 13の実用的な物質シミュレーションワークフローにおいて、記憶されたスキルと失敗事実は、合計トレース負荷(トークン)を半分にし、ツールコールを第3ラウンドで2倍以上削減し、バンドギャップ、フォノン、空洞、作業機能解析において物理的に意味のある出力を保存する。 これらの結果から, エージェントメモリは, 単一のモデルやエージェントスタックを超越した, ポータブルで自己改善された材料検索体験の記録として, 耐久性のある科学的資産として機能することを示す。

関連論文リスト

• Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills [86.15447717549154]
  私たちは、スキルを創造し、研究中にそれらを使用する、スキル駆動型研究エージェントであるDisCoを紹介します。 私たちはこの欠落したレイヤの運用知識を、メソッドの知識を機能させるのと分離するノウハウと呼んでいる。
  論文  参考訳（メタデータ） (2026-09-02T15:49:41Z)
• Beyond Memory: A Templated Substrate for Heterogeneous Collaborative Knowledge Work with LLM Agents [0.0]
  本稿では,再利用可能なエージェント認識インスタンスであるllm-wiki-Memory-templateを提案する。 これは3つの軸に沿って働く異種共同知識の基盤である。 wikiはコンベンションによって追加のみであり、何がうまくいかなかったかを保存している。
  論文  参考訳（メタデータ） (2026-05-29T15:34:14Z)
• GENESIS: Harnessing AI Agents for Autonomous 6G RAN Synthesis, Research, and Testing [13.436656977622691]
  大規模言語モデル(LLM)は、一般的なソフトウェア工学における同等のR&D作業を数日から数分で圧縮した。 本稿では,エージェント人工知能(AI)フレームワークであるgenESISについて述べる。
  論文  参考訳（メタデータ） (2026-05-26T17:58:43Z)
• PREPING: Building Agent Memory without Tasks [65.75870568959644]
  Prepingはプロポーザル誘導型メモリ構築フレームワークである。 コアとなるのは、将来の実践を形作る構造化制御状態であるプロジェクタメモリである。 トライアルでは、Prepingはメモリなしのベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-05-11T04:34:43Z)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• From Experiments to Expertise: Scientific Knowledge Consolidation for AI-Driven Computational Research [3.7193230342956056]
  本稿では、AI駆動計算科学のためのオープンソースのプラットフォームQMatSuiteを紹介する。 QMatSuiteは、発見結果を保存し、新しい計算の前に知識を検索し、専用のリフレクションセッションで誤った結果を修正します。 6段階の量子力学シミュレーションワークフローのベンチマークでは、蓄積された知識は推論オーバーヘッドを67%削減し、精度を47%から3%に改善する。
  論文  参考訳（メタデータ） (2026-03-13T17:25:47Z)
• Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
  大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。 メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。 この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:01Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
  メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。 本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-05-21T22:35:01Z)
• LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
  LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。 宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。 我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-06-05T23:32:26Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)

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。