論文の概要: Plant-Inspired AI: Plants as Inspiration for Novel Problem Formulations, and Two Case Studies
- arxiv url: http://arxiv.org/abs/2608.29356v1
- Date: Sat, 29 Aug 2026 16:26:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.94197
- Title: Plant-Inspired AI: Plants as Inspiration for Novel Problem Formulations, and Two Case Studies
- Title（参考訳）: 植物にインスパイアされたAI:新しい問題の定式化のための植物と2つのケーススタディ
- Abstract要約: 植物生物学者は、植物が様々な環境に柔軟に適応できる幅広い複雑な行動を発見した。
ここでは、そのような振る舞いは、既存の問題解決フレームワークが見落としている様々な問題を含む、新しいAIフレームワークを動機付けることができると論じる。
植物における知的問題解決の2つの例について説明する。(1)ボキーラ・トリフォリオラタ(Boquila trifoliolata)の葉の模倣、(2)植物が異なる環境を探索する器官系に資源を割り当てる、複数の宿主樹に類似した葉の形態を同時に変化させることができるブドウ。
- 参考スコア（独自算出の注目度）: 5.284812806199192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) has long been inspired by studies of biological intelligence. Reinforcement learning, for instance, drew inspiration from studies involving animal learning and is now a powerful paradigm for solving many real-world problems. Recently, plant biologists have uncovered a wide range of complex behaviors in plants that enable them to flexibly adapt to variable environments. Here, we argue that such behavior can motivate new AI frameworks encompassing a range of problems overlooked by existing problem-solving frameworks such as supervised learning, tree search, and constraint satisfaction. We illustrate this idea with two examples of intelligent problem-solving in plants: (1) leaf mimicry in Boquila trifoliolata, a vine capable of altering its leaves' morphology to resemble those of multiple host trees simultaneously; and (2) coordinated root-shoot growth, wherein plants allocate resources across organ systems exploring distinct environments. While leaf mimicry is highly specific to Boquila, coordination of root-shoot growth is shared across most plants. For both examples, we capture underlying computational principles and identify problems fitting these frameworks that are currently unaddressed by AI. Finally, we outline preliminary task formulations and discuss how these formulations may be applied to non-plant problems.
- Abstract（参考訳）: 人工知能(AI)は長年、生物学的知能の研究に触発されてきた。
例えば強化学習は、動物学習を含む研究からインスピレーションを得て、現在では多くの現実世界の問題を解決するための強力なパラダイムとなっている。
近年、植物生物学者たちは、植物が様々な環境に柔軟に適応できる幅広い複雑な行動を発見した。
ここでは,このような行動は,教師付き学習や木探索,制約満足度といった既存の問題解決フレームワークによって見過ごされるさまざまな問題を含む,新たなAIフレームワークを動機付けることができる,と論じる。
植物における知的問題解決の2つの例について説明する。(1)ボキーラ・トリフォリオラタ(Boquila trifoliolata)の葉の模倣、(2)植物が異なる環境を探索する器官系に資源を割り当てる、複数の宿主樹に類似した葉の形態を同時に変化させることができるブドウ。
葉の模倣はボキーラに特有であるが、根の生長の調整は多くの植物に共通している。
どちらの例でも、基礎となる計算原理を捉え、現在AIに適応していないこれらのフレームワークに適合する問題を特定します。
最後に、予備的なタスクの定式化について概説し、これらの定式化が非植物問題にどのように適用されるかについて議論する。
関連論文リスト
- GrowFields: Compositional 4D Neural Fields for Topology-Changing Plant Growth [20.00023114696958]
GrowFieldsは,臓器を意識した4D植物成長モデルのための合成動的神経場表現である。
我々のアプローチでは、植物を構成臓器に分解し、各臓器を独自の標準座標フレームに整列させる。
次に、すべての臓器にまたがる時間的ダイナミクスをモデル化する共有連続神経変形場を学びます。
論文 参考訳（メタデータ） (2026-07-03T13:48:58Z) - GRAFT-ATHENA: Self-Improving Agentic Teams for Autonomous Discovery and Evolutionary Numerical Algorithms [4.235429894371577]
自己改善型エージェントフレームワークであるGRAFT-ATHENAが過去の問題から自律的に学習していることを示す。
このフレームワークはさまざまなドメインにまたがって独自のアクション空間を拡張している。
1968年の報告書から、アポロ計画モジュール上のマッハ-10フローのような複雑な工学的な問題に取り組む。
論文 参考訳（メタデータ） (2026-05-11T18:27:01Z) - AI Automatons: AI Systems Intended to Imitate Humans [54.19152688545896]
人々の行動、仕事、能力、類似性、または人間性を模倣するように設計されたAIシステムが増加している。
このようなAIシステムの研究、設計、展開、可用性は、幅広い法的、倫理的、その他の社会的影響に対する懸念を喚起している。
論文 参考訳（メタデータ） (2025-03-04T03:55:38Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - Causal Deep Learning [77.49632479298745]
因果性は、現実世界の問題を解決する方法を変える可能性がある。
しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。
我々は、因果性に関する新しい考え方を提案します。
論文 参考訳（メタデータ） (2023-03-03T19:19:18Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Adaptive patch foraging in deep reinforcement learning agents [4.654270325882834]
機械学習エージェントは、生物学的な捕食者に似たパターンに適応的に飼料にパッチを当てることを学ぶことができることを示す。
この研究は、生態学的に妥当な圧力で複雑な環境で相互作用するエージェントが共通の解に達することを示唆している。
論文 参考訳（メタデータ） (2022-10-14T20:16:02Z) - A Deep Generative Artificial Intelligence system to decipher species
coexistence patterns [0.0]
植生パッチ中の種共存パターンを解析するための最先端機械学習手法について検討する。
GANは、植物種の親和性だけでなく、実際のパッチの種組成を異なる土壌タイプに正確に再現する。
逐次的な軌道を再構築することで、異なるパッチの多様性を生み出す大きな可能性を持つ先駆的な種を特定できる。
論文 参考訳（メタデータ） (2021-07-13T12:12:11Z) - Active Inference Tree Search in Large POMDPs [0.0]
POMDPsにおける新しい計画手法--Active Inference Tree Search (AcT)について紹介する。
AcTは、神経科学(Active Inference)における主要な計画理論の規範的性格と生物学的リアリズムと、AIにおける木探索法のスケーラビリティを組み合わせたものである。
シミュレーションの結果、AcTはサンプリングベース手法に挑戦する二分木、適応探索を必要とする問題、そしてAcTが最先端のPOMDPソリューションを再現する大規模POMDP問題「RockSample」をうまくナビゲートしていることがわかった。
論文 参考訳（メタデータ） (2021-03-25T14:17:09Z) - HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem
Solving [104.79156980475686]
人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。
エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。
このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
論文 参考訳（メタデータ） (2021-02-22T20:37:01Z)
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。