論文の概要: Strategies for Deploying AI Agents in Production at Scientific User Facilities

• arxiv url: http://arxiv.org/abs/2609.36362v1
• Date: Mon, 28 Sep 2026 22:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.047431
• Title: Strategies for Deploying AI Agents in Production at Scientific User Facilities
• Title（参考訳）: 科学ユーザ施設におけるAIエージェントの運用戦略
• Abstract要約: エージェントはキャリブレーション、測定の実行、品質管理において繰り返し可能なタスクを実行することができる。 この観点は、楽器や設備にまたがって再利用できる要素に重点を置いて、実践的な戦略を精査する。
• 参考スコア（独自算出の注目度）: 9.720003080560984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic artificial intelligence (AI) is moving beyond research demonstrations toward production use at scientific user facilities, including light sources, neutron sources, nanoscience centers, and autonomous laboratories. Its scientific value extends beyond increasing throughput. Agents can perform repeatable tasks in calibration, measurement execution, and quality control, as well as initial analyses that turn data into reviewable evidence, allowing scientists to focus on hypotheses, unexpected observations, and interpretation. Drawing on deployments of LLM-driven agents at the APS, this perspective distills practical strategies with an emphasis on elements that can be reused across instruments and facilities. We discuss agent harnesses for beamline control, facility knowledge retrieval, and data analysis while keeping the underlying design principles independent of any specific implementation. These principles cover inference endpoints, tool-server architectures, non-text data, computationally intensive services, reusable skills, and governed learning throughout an instrument's lifecycle. We also consider how network and Linux operations, governed shared memory, and deterministic orchestration can extend these patterns across facility services. Because LLM capabilities continue to evolve, these recommendations represent a snapshot of the technology as of the date on the cover.
• Abstract（参考訳）: エージェント人工知能(AI)は、光源、中性子源、ナノサイエンスセンター、自律的な実験施設など、科学的なユーザー施設での製品利用に向けた研究のデモンストレーションを超えて進んでいる。 その科学的価値はスループットの増大を超えて拡大する。 エージェントは、キャリブレーション、測定の実行、品質管理の繰り返し可能なタスクを実行できるほか、データのレビュー可能なエビデンスに変換する初期分析によって、仮説、予期せぬ観察、解釈に集中することができる。 APSにおけるLCMを駆使したエージェントの展開に基づいて、この視点は、機器や施設間で再利用可能な要素に重点を置いて、実用的な戦略を精査する。 本稿では,ビームライン制御,施設知識検索,データ解析のためのエージェントハーネスについて論じる。 これらの原則は、推論エンドポイント、ツールサーバアーキテクチャ、非テキストデータ、計算集約型サービス、再利用可能なスキル、楽器のライフサイクル全体にわたる支配的な学習をカバーしている。 また、ネットワークとLinuxの操作、共有メモリの管理、決定論的オーケストレーションが施設サービス全体にわたってこれらのパターンをどのように拡張するかについても検討する。 LLMの能力は進化を続けており、これらの推奨事項は表紙上の日付の技術のスナップショットを表している。

関連論文リスト

• SciToolAgent-Evo: An Ontology-Aware Self-Evolving Agent for Open-World Scientific Tool Acquisition [53.36281538053445]
  SciToolAgent-Evoは,オープンワールドの科学ツール獲得のためのオントロジーを意識した自己進化エージェントである。 スキル、経験、およびオンロジ化されたツールグラフの進化した記憶によって駆動され、蓄積中の対照的な軌跡から一般化可能な知識を抽出する。 新たなツールが取得されると、その科学的知識はオンラインで完了し、既知のグラフにシームレスに統合される。
  論文  参考訳（メタデータ） (2026-07-30T08:47:11Z)
• Agentic-Ideation: Sample Efficient Agentic Trajectories Synthesis for Scientific Ideation Agents [9.918296068965665]
  科学的な発見において、理想は重要な役割を担っている。 Agentic-Ideationは、自動軌道合成パイプラインと、科学的思考のために訓練された特殊なエージェントLSMからなる新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-06-30T07:07:51Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• 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)
• AI Agents in Drug Discovery [1.9777700354742123]
  エージェントAIシステムは、多様なバイオメディカルデータを統合し、タスクを実行し、ロボットプラットフォームを介して実験を行い、クローズドループで仮説を反復的に洗練することができる。 エージェントAIアーキテクチャの概念的および技術的概要は、ReAct、Reflection、Supervisor、Swarmシステムまで様々である。 文献合成,毒性予測,自動プロトコル生成,小分子合成,薬物再資源化,エンドツーエンド意思決定など,薬物発見の重要な段階にまたがる応用について解説する。
  論文  参考訳（メタデータ） (2025-10-31T03:07:14Z)
• Agents of Discovery [17.016402322416994]
  大規模言語モデル(LLM)は、データ分析に基づく研究問題を共同で解決することができる。 本稿では,LHCオリンピックデータセットを用いた異常検出の課題について考察する。 最高のエージェント生成ソリューションは、人間の最先端の結果のパフォーマンスを反映している。
  論文  参考訳（メタデータ） (2025-09-10T12:25:13Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)

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。