論文の概要: EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation
- arxiv url: http://arxiv.org/abs/2609.01526v1
- Date: Tue, 01 Sep 2026 16:55:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.882844
- Title: EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation
- Title（参考訳）: EvoSCM: 因果モデルの進化と実験による科学的信念の改訂
- Authors: Qing Zhao, Haowei Li, Weijian Deng, Pengxu Wei, Liang Lin,
- Abstract要約: EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。
EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
- 参考スコア（独自算出の注目度）: 68.80901568810616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific agents must learn not only how to reason, but also what to believe. However, existing LLM agents typically express scientific hypotheses in free-form text, leaving their beliefs implicit and difficult to test or revise. We introduce EvoSCM, which equips scientific agents with explicit structural causal models that evolve as new experimental evidence is collected. EvoSCM maintains a population of competing SCM hypotheses, each encoding a candidate causal explanation of the environment, and evolves them through a closed discovery loop. In each round, the agent abduces latent mechanisms from accumulated evidence, designs discriminative interventions, and commits to falsifiable predictions that it tests through experimentation. Discrepancies between prediction and observation are inductively distilled into correction rules that revise the causal structures and mechanisms of each hypothesis, and the agent then deductively validates the revised population against accumulated evidence and structural consistency to guide the next round. We evaluate EvoSCM on DiscoverPhysics, a benchmark requiring agents to uncover the hidden dynamics of noncanonical physical worlds through experimentation. EvoSCM consistently improves scientific discovery over baselines, yielding more accurate explanations and predictions while making more effective use of experimental interactions.
- Abstract（参考訳）: 科学的エージェントは理屈だけでなく、何を信じるべきかも学ばなければならない。
しかし、既存のLLMエージェントは、通常、自由形式のテキストで科学的仮説を表現し、彼らの信念は暗黙的であり、テストや修正が困難である。
EvoSCMを導入し、新しい実験証拠が収集されるにつれて進化する明示的な構造因果モデルを持つ科学エージェントを装備する。
EvoSCMは競合するSCM仮説の集団を維持し、それぞれが環境の因果的説明を符号化し、閉じた発見ループを通じてそれらを進化させる。
それぞれのラウンドにおいて、エージェントは蓄積された証拠から潜伏機構を誘導し、識別的介入を設計し、実験を通じてテストする可能性のある予測をコミットする。
予測と観察の相違は、各仮説の因果構造と機構を改訂する修正規則に誘導的に蒸留され、エージェントは、蓄積された証拠と構造的整合性に対して、修正された人口を誘導的に検証し、次のラウンドを案内する。
実験により非標準物理世界の隠れたダイナミクスを明らかにするためにエージェントが必要とするベンチマークであるDiscoverPhysicsのEvoSCMを評価した。
EvoSCMは、ベースラインよりも科学的な発見を一貫して改善し、より正確な説明と予測を与えながら、実験的な相互作用をより効果的に活用する。
関連論文リスト
- Science sandboxes measure the scientific capability of AI agents [1.1846810006828092]
AIエージェントでこの能力を研究するためのフレームワークであるScience Sandboxを紹介します。
我々はこの枠組みを、規制ゲノム学のモデルとタンパク質の適合性予測の2つの生物学的設定でインスタンス化する。
特に、彼らの科学的推論は、ルールがよく知られた生物学的先行概念の外に落ちているシステムに遭遇した時に悪化した。
論文 参考訳（メタデータ） (2026-08-31T02:33:38Z) - Toward Auditable AI Scientists: A Hypothesis Evolution Protocol for LLM Agents [0.42970700836450476]
大規模言語モデル(LLM)エージェントは、AIによる科学的発見において、ますます中心的な役割を果たすことが期待されている。
本稿では、仮説生成、評価、進化を明示的で監査可能な操作として提供するエージェントハーネスである仮説進化プロトコル(HEP)を提案する。
材料科学研究タスクにおいて、HEPを組み込んだエージェントは、計画的なエージェントが欠如している仮説-テスト-エビデンス-ビリーフサイクルを運用し、研究課題を一般化し、基礎LLMがより有能になるにつれてプロトコルをより完全に活用する。
論文 参考訳（メタデータ） (2026-07-10T08:39:30Z) - Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。
SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。
86のベンチマークで、SciReasonerは67のタスク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） (2026-07-08T17:59:59Z) - Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。
本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T09:20:12Z) - Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。
本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。
オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
論文 参考訳（メタデータ） (2025-10-10T22:26:26Z) - Towards an AI co-scientist [48.11351101913404]
Gemini 2.0上に構築されたマルチエージェントシステムであるAIコサイシストを紹介する。
このAIの共同科学者は、新しい独創的な知識を解明し、明らかに新しい研究仮説を定式化することを目的としている。
システムの設計には、科学的手法にインスパイアされた仮説生成への生成、議論、進化のアプローチが組み込まれている。
論文 参考訳（メタデータ） (2025-02-26T06:17:13Z) - BoxingGym: Benchmarking Progress in Automated Experimental Design and Model Discovery [32.395366135636046]
実験的な設計とモデル発見を評価するための10環境のベンチマークであるBoxingGymを紹介する。
予測情報ゲイン(EIG)は,実験が生成モデルのパラメータの不確実性をどの程度低減するかを測定する情報理論量である。
GPT-4oのような現在のLLMは、実験的な設計とモデル発見の両方に苦戦している。
論文 参考訳（メタデータ） (2025-01-02T21:15:57Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z)
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。