論文の概要: La Agente Óptima: Towards Agentic Self-Driving Laboratories
- arxiv url: http://arxiv.org/abs/2609.04564v1
- Date: Thu, 03 Sep 2026 23:37:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.863418
- Title: La Agente Óptima: Towards Agentic Self-Driving Laboratories
- Title（参考訳）: ラ・エージェント・シュプティマ : エージェント・セルフ・ドライブ・ラボラトリーを目指して
- Abstract要約: 自動運転車研究所(SDL)は、自動実験と適応的な意思決定を組み合わせることで、科学的な発見を加速する。
本稿では,ベイズ最適化キャンペーンの構築と監視を行うエージェントフレームワークであるLa Agente ptimaについて述べる。
我々は、アブレーション研究、5つのデジタル発見タスク、および2つの物理プラットフォームにおけるプティマを評価する。
- 参考スコア（独自算出の注目度）: 4.1780083423559295
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-driving laboratories (SDLs) combine automated experimentation with adaptive decision-making to accelerate scientific discovery. Their operation nevertheless often depends on human specialists who translate scientific objectives into executable closed-loop campaigns. Specialists adjust them as data and operating conditions change. Here, we present La Agente Óptima, an agentic framework that constructs and supervises Bayesian optimization campaigns across computational and experimental systems while maintaining a persistent optimization state. By separating large language model (LLM) reasoning from executed campaigns, Óptima runs repetitive optimization loops consistently, returns control to the agent only when progress requires interpretation or campaign revision, and keeps every decision auditable. We evaluate Óptima across ablation studies, five digital discovery tasks, and two physical platforms. Throughout, Óptima maintained executable campaigns as both the scientific problem and execution environment evolved. In a closed-loop contact angle optimization campaign, Óptima identified and corrected a mid-run measurement failure, bringing the contact angle from 71.4 to 67.8 degrees, just above the 64-66 degree range. From this result, Óptima correctly inferred that the target was likely unattainable with the available reagents and recommended changing the formulation. In a five-day multi-objective flow-chemistry campaign, Óptima increased the yield from 30% to 59% over 23 experiments. Despite substantial inference costs, it cost less and used substantially less starting material than a human-directed campaign, while selecting a more mass-efficient operating point. These results show that LLM-based agents can make rigorous, long-running optimization campaigns accessible to domain scientists without specialist setup, expanding the scope of SDLs.
- Abstract（参考訳）: 自動運転車研究所(SDL)は、自動実験と適応的な意思決定を組み合わせることで、科学的な発見を加速する。
彼らの活動は、科学的な目的をクローズドループのキャンペーンに翻訳する人間の専門家に依存していることが多い。
専門家はデータや運用条件の変化に応じて調整する。
本稿では,連続的な最適化状態を維持しつつ,ベイズ最適化キャンペーンの構築と監視を行うエージェントフレームワークであるLa Agente シュプティマについて述べる。
実行されたキャンペーンから大言語モデル(LLM)推論を分離することで、シュプティマは繰り返し最適化ループを一貫して実行し、進捗が解釈やキャンペーン修正を必要とする場合にのみエージェントに制御を返す。
アブレーション研究,5つのデジタル発見課題,および2つの物理プラットフォームにおいて,オプティマを評価する。
シュプティマは科学的な問題と実行環境の両方が発展するにつれて、実行可能運動を維持した。
クローズドループの接触角最適化キャンペーンにおいて、オプティマは、64-66度範囲の直ぐ上の71.4度から67.8度まで接触角を計測し、修正した。
この結果から、オプティマは、標的が利用可能な試薬で達成不可能であると正しく推測し、定式化を変更することを推奨した。
5日間の多目的流化学キャンペーンにおいて、シュプティマは23の実験で30%から59%に増収した。
相当な推論コストにもかかわらず、コストは安く、人力によるキャンペーンよりも出発物質をかなり少なく使用し、より大量効率のよい運用ポイントを選択した。
これらの結果から, LLMをベースとしたエージェントは, SDLの範囲を広げることなく, ドメイン科学者に厳密で長期にわたる最適化キャンペーンを行うことが可能であることが示唆された。
関連論文リスト
- MerchantBench: Benchmarking LLM Agents for Long-Term Coherence in E-Commerce Operations [18.706607921548326]
長期コヒーレンス(英: Long-Term Coherence)とは、累積的な証拠に決定を適応させながら、地平線を越えて目的的行動を維持する能力である。
売り手側のeコマースは、再帰的かつ相互依存的な決定を通じて、この評価に適切な設定を提供する。
MerchantBenchは、98,843件のeコマース製品記録に基づいた365日間の注文レベルのシミュレーションで、エージェントインタラクションのための26のツールを備えている。
論文 参考訳（メタデータ） (2026-07-31T02:20:24Z) - Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
エージェント最適化法で報告されているほとんどの利得はワンショットである。
これは、デプロイされたエージェントにとって重要な設定をテストするものではない。
エージェントハーネス最適化に対する3つのアプローチを比較する。
論文 参考訳（メタデータ） (2026-07-15T16:36:04Z) - AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation [28.790523063833376]
AutoScientistsは、長期的な計算科学実験のためのAIエージェントの分散チームである。
エージェントは共有された実験状態を解釈し、実験計算を使用する前に、有望な仮説、批判的な提案に関するチームに自己組織化する。
一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。
論文 参考訳（メタデータ） (2026-05-27T15:56:12Z) - OptiLoop: Coordination-in-the-Loop Verification and Repair for LLM-Generated Optimization Agents [0.9543827270223156]
分散された決定問題は、複数の当事者が共有された決定を調整する必要がある。
大規模言語モデル(LLM)は、ローカル最適化エージェントを生成することで参加障壁を低くする有望な方法を提供する。
LLM生成最適化エージェントのコーディネーション・イン・ザ・ループ検証と修復を提案する。
論文 参考訳（メタデータ） (2026-05-26T19:49:41Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - AgentEscapeBench: Evaluating Out-of-Domain Tool-Grounded Reasoning in LLM Agents [35.967227261886435]
AgentEscapeBenchは、エージェントが明示的な長距離依存性制約の下で新しいツールの使用手順を推論、実行、修正できるかどうかをテストする。
16個のLDMエージェントとヒトの被験者による実験では、依存性の深さが増加するにつれて性能が急激に低下することが示された。
軌道解析は、主に長距離状態追跡、手がかり付着、中間相対伝播における故障をモデル化する。
論文 参考訳（メタデータ） (2026-05-08T15:59:27Z) - SAND: Boosting LLM Agents with Self-Taught Action Deliberation [54.48979740613828]
大規模言語モデル(LLM)エージェントは、通常、ReActスタイルの専門家軌道の教師付き微調整や、ペアのロールアウトよりも好みの最適化で調整される。
本稿では,自己学習型アクチオN審議(SAND)フレームワークを提案する。
SANDは、初期教師付き微調整よりも平均20%改善し、また最先端のエージェントチューニングアプローチより優れている。
論文 参考訳（メタデータ） (2025-07-10T05:38:15Z) - Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。
LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
論文 参考訳（メタデータ） (2025-05-23T08:23:36Z) - Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents [49.85633804913796]
本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。
この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。
3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
論文 参考訳（メタデータ） (2024-03-04T21:50:29Z) - Learning Performance-Improving Code Edits [107.21538852090208]
本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。
まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。
提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
論文 参考訳（メタデータ） (2023-02-15T18:59:21Z)
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。