論文の概要: Can AI Scientists Change Their Minds? Prior-Evidence Conflict in Synthetic Universes

• arxiv url: http://arxiv.org/abs/2609.36726v1
• Date: Tue, 29 Sep 2026 05:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.198183
• Title: Can AI Scientists Change Their Minds? Prior-Evidence Conflict in Synthetic Universes
• Title（参考訳）: AI科学者は心を変えることができるか? シンセティック・ユニバースにおける事前証拠紛争
• Abstract要約: 我々は、近くの非標準機構によって支配されるツイストツイストツイストツイストと、カノニカルな有名な世界をペアリングする制御されたベンチマークを導入する。 我々は,各報告された法律を2回評価し,保持された継続および転送設定で実行し,生成機構を回復するかどうかを独立に確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can a scientific agent distinguish a law it inferred from evidence from one it merely recognizes? We introduce Synthetic Universes, a controlled benchmark that pairs canonical famous worlds with matched twisted twins governed by nearby noncanonical mechanisms. We evaluate each reported law twice: by executing it on held-out continuations and transfer settings, and by independently checking whether it recovers the generating mechanism. In the current checkpoint of a pre-specified 60-cell study, 22 trials were graded and one additional run ended in infrastructure failure. Among 20 twin trials, 8 pass predictive verification while 5 recover the generator. The dissociation is bidirectional: six parsable outputs predict successfully while missing the mechanism, whereas three recover the mechanism but fail predictive rollout. Drag exhibits the first pattern (5/5 predictive pass, 1/5 mechanism recovery); Gravity exhibits the second (1/5 predictive pass, 4/5 mechanism recovery). Because matched famous controls, the corrected identifiability sweep, and the Evidence Ladder remain incomplete, we do not claim a confirmatory causal prior-conflict effect. Instead, the completed runs establish a narrower verification result: predictive adequacy and mechanism recovery are distinct scientific claims and require distinct tests.
• Abstract（参考訳）: 科学的エージェントは、証拠から推論した法と単に認識した法とを区別できるだろうか? シンセティック・ユニバース(Synthetic Universes)は、近辺の非標準的メカニズムによって支配されるツイストツイストツイストと、カノニカルな有名な世界をペアリングする制御されたベンチマークである。 我々は,各報告された法律を2回評価し,保持された継続および転送設定で実行し,生成機構を回復するかどうかを独立に確認した。 現在の60細胞実験のチェックポイントでは、22の試験がグレードされ、1つの追加の試験はインフラの故障で終了した。 20回の双子の試験のうち、8回は予測検証に合格し、5回は発電機を回収する。 解離は双方向であり、6つの解析可能な出力はメカニズムを欠いている間に正常に予測し、3つはメカニズムを回復するが、予測ロールアウトは失敗する。 Dragは第1のパターン(5/5の予測パス、1/5のメカニズムリカバリ)を示し、Gravityは第2のパターン(1/5の予測パス、4/5のメカニズムリカバリ)を示す。 一致した有名なコントロール、修正された識別可能性の網羅、エビデンス・ラダーは不完全であるため、確証的因果的事前衝突効果は主張しない。 予測的妥当性とメカニズムの回復は異なる科学的主張であり、異なるテストを必要とする。

関連論文リスト

• MechBench: Can AI Scientific Agents Discover Mechanisms Beyond Phenomenal Laws? [19.719988911949258]
  既存のシンボリックレグレッションと科学的エージェントのベンチマークは、主に現象の欠陥回復を評価する。 私たちはこれらの2つの機能を明示的に分離するベンチマークであるMechBenchを紹介します。 代表的な科学的エージェントによる実験は、重要な現象、-機械的回復のギャップを明らかにしている。
  論文  参考訳（メタデータ） (2026-09-28T16:08:19Z)
• EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
  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。
  論文  参考訳（メタデータ） (2026-09-01T16:55:56Z)
• One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
  我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。 その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。 12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
  論文  参考訳（メタデータ） (2026-06-30T10:54:16Z)
• Position: Correct Answer, Wrong Mechanism -- When AI Scientists Defend General Claims Their Own Data Contradicts [0.0]
  コーディングエージェントは信頼できるツールを証明しているが、オープンエンドのクレーム作成のための信頼性の低い科学的共著者である。 一段階の体制シフトチェックは、エージェントのクレームのみを必要とし、過度に一般化されたケースにフラグを付ける。 コンパニオン再計算は、正しいオブザーバブルがわかっている場合の残りのケースをフラグする。
  論文  参考訳（メタデータ） (2026-06-22T11:14:07Z)
• From Prediction to Self: Developmental Conditions for Agency in Minimal Neural Systems [0.0]
  我々は、単に世界を予言するシステムが、自分たち自身の因果関係の影響を他のあらゆるものと区別するためにどのように現れるかを示す。 このプロセスを追跡する指標として,エージェントゲイン(A = Err_world - Err_self)を提案する。
  論文  参考訳（メタデータ） (2026-06-04T02:27:43Z)
• CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists [28.253879252786632]
  LLMエージェントによる対話的因果発見を評価するスケーラブルな環境であるCausaLabを紹介する。 以前の評価とは異なり、CausaLabは、エージェントが因果的証拠を用いて問題を解くことができるかどうか、そしてその答えが忠実に回復された因果的メカニズムに根ざされているかどうかを評価している。
  論文  参考訳（メタデータ） (2026-05-25T16:57:06Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
  電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。 提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:15:39Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)

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。