論文の概要: AutoPDEBench: Benchmarking LLM Auto-Research for Neural PDE Solver Design

• arxiv url: http://arxiv.org/abs/2609.32245v1
• Date: Sat, 26 Sep 2026 05:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 18:31:18.24898
• Title: AutoPDEBench: Benchmarking LLM Auto-Research for Neural PDE Solver Design
• Title（参考訳）: AutoPDEBench: ニューラルPDEソルバ設計のための LLM Auto-Research ベンチマーク
• Abstract要約: 複素物理系のモデリングには偏微分方程式(PDE)が不可欠である。 既存のニューラルネットワークは、パラメータの変化や高速フローなど、ドメイン固有の課題に苦しむ。 我々は、自律型AI研究エージェントを活用して、特殊な問題解決者の合成を自動化することを提案する。
• 参考スコア（独自算出の注目度）: 39.8019405552335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partial differential equations (PDEs) are essential for modeling complex physical systems, and neural solvers have recently emerged as powerful data-driven tools for numerically solving them. However, existing neural solvers struggle with domain-specific challenges, such as varying parameters and high-speed flows, necessitating specialized architectures. Manually designing these specialized solver architectures is a highly iterative, time-consuming process requiring deep expertise, creating a significant bottleneck in scientific discovery. We propose leveraging autonomous AI research agents to automate the synthesis of specialized solvers. To support this, we introduce AutoPDEBench, a benchmark dedicated to LLM-driven automated research for PDE solver design. The benchmark includes 25 challenging datasets featuring both novel and actively studied physical scenarios. We evaluate a suite of general-purpose models (transformer, ROM, and graph-based) alongside a multi-agent instantiation of the iterative automated research pipeline, which serves as an agentic baseline. Empirical results show that the iterative automated research system significantly outperforms the general-purpose neural solver baselines. Our findings demonstrate the viability of using AI agents to automatically design neural solvers for complex physical systems. AutoPDEBench provides a foundational testbed to accelerate agent-driven scientific discovery in physics and engineering.
• Abstract（参考訳）: 複素物理系のモデリングには偏微分方程式(PDE)が不可欠であり、ニューラルソルバはそれらを数値的に解くための強力なデータ駆動ツールとして最近登場した。 しかしながら、既存のニューラルネットワークは、さまざまなパラメータや高速フローといったドメイン固有の課題に苦労し、特殊なアーキテクチャを必要とする。 これらの特殊なソルバアーキテクチャを手作業で設計することは、非常に反復的で時間を要するプロセスであり、科学的な発見において重大なボトルネックを生み出します。 我々は、自律型AI研究エージェントを活用して、特殊な問題解決者の合成を自動化することを提案する。 これをサポートするために,PDEソルバ設計のためのLLM駆動型自動研究のためのベンチマークであるAutoPDEBenchを紹介する。 ベンチマークには、新しいシナリオと活発に研究された物理シナリオの両方を特徴とする、25の挑戦的なデータセットが含まれている。 エージェントベースラインとして機能する反復自動研究パイプラインのマルチエージェントインスタンス化とともに,汎用モデル(トランスフォーマ,ROM,グラフベース)のスイートを評価する。 実験結果から、反復的自動研究システムは汎用神経解法ベースラインを著しく上回っていることが明らかとなった。 以上の結果から,複雑な物理系のニューラルネットワークをAIエージェントで自動的に設計できることが示唆された。 AutoPDEBenchは、物理と工学におけるエージェント駆動の科学的発見を加速するための基礎的なテストベッドを提供する。

関連論文リスト

• AutoSOTA: An End-to-End Automated Research System for State-of-the-Art AI Model Discovery [49.77172027295716]
  AutoSOTAは、トップレベルのAI論文で発表された最新のState-Of-The-Art(SOTA)モデルを進化させるエンドツーエンドの自動研究システムである。 報告された方法を超える新しい105種類のSOTAモデルを発見し、平均して1紙あたり平均5時間である。
  論文  参考訳（メタデータ） (2026-04-07T07:52:01Z)
• AutoNumerics: An Autonomous, PDE-Agnostic Multi-Agent Pipeline for Scientific Computing [5.681456272022905]
  textttAutoNumericsは,自然言語記述から直接,一般的なPDEの数値解法を自動設計し,実装し,デバッグし,検証するフレームワークである。 24の標準および実世界のPDE問題に対する実験は、textttAutoNumericsが競争力や優れた精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-19T18:31:52Z)
• Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
  課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。 SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。 本稿では,この新興領域を体系的に調査する。
  論文  参考訳（メタデータ） (2026-01-15T18:55:03Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Spec-Driven AI for Science: The ARIA Framework for Automated and Reproducible Data Analysis [23.28226188948918]
  ARIAは、自動および解釈可能なデータ分析のための、仕様駆動のヒューマン・イン・ザ・ループ・フレームワークである。 ARIAは、Command、Context、Code、Data、Orchesttion、AI Moduleという6つのレイヤを統合している。 ARIAは透明で協調的で再現可能な科学的発見のための新しいパラダイムを確立している。
  論文  参考訳（メタデータ） (2025-10-13T08:32:43Z)
• AutoLabs: Cognitive Multi-Agent Systems with Self-Correction for Autonomous Chemical Experimentation [0.10999592665107412]
  AutoLabsは、自然言語命令を自動で実行可能なプロトコルに変換するように設計された、自己修正型マルチエージェントアーキテクチャである。 複雑化に関する5つのベンチマーク実験を特徴とする総合評価フレームワークを提案する。 以上の結果から,エージェント推論能力が成功の最も重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-30T01:51:46Z)
• Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems [0.0]
  マルチエージェントAIモデルは、新しい金属合金の発見を自動化するために使用される。 MLをベースとした原子間ポテンシャルをモデルとした立方晶(bcc)合金のNbMoTa族に着目した。 LLMをベースとしたエージェントの動的協調により、GNNの予測力を相乗化することにより、システムは巨大な合金設計空間を自律的にナビゲートする。
  論文  参考訳（メタデータ） (2024-10-17T17:06:26Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)

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。