論文の概要: NeutronGym: Physics-Graded Neutron Instrument Design for LLM Agents
- arxiv url: http://arxiv.org/abs/2610.03631v1
- Date: Fri, 02 Oct 2026 17:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.514409
- Title: NeutronGym: Physics-Graded Neutron Instrument Design for LLM Agents
- Title（参考訳）: 中性子線: LLM エージェントのための物理グレード中性子計の設計
- Abstract要約: 中性子Gymは、グレーディングが議論できない場合は、言語モデルエージェントがそれを思い出すよりも物理学を学べるかどうかをテストする。
我々は、中性子機器設計のための最初の実行可能な環境について、NeurotronGymを紹介した。
手続き的なファミリーは、エージェントが設定しなければならない設計パラメータが固定されたレイアウトの無制限のインスタンスを、保留パラメータレシスタンスで供給する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing a scientific instrument tests whether language-model agents can do physics rather than recall it, provided the grading cannot be argued with. We introduce NeutronGym, to our knowledge the first executable environment for neutron instrument design: agents build instruments through validating tools, McStas ray-traces what they build, and a level-resolved ladder grades syntax, runtime, structure and science with no LLM judge. Procedural families supply unlimited instances of a fixed layout whose design parameters the agent must set, with held-out parameter regimes; a curated slice, McStasBench, adds 16 tasks from published instruments behind memorization probes and a sandbox. Seven models reproduce at most 7 of the 16, none retrieves a reference, and none meets an improvement target. The environment also trains. Reinforcement learning on its reward takes Qwen3-8B from 11% to 77% of held-out instances of a family whose targets come from a hidden design (69% at a second seed), past an untrained Qwen3-32B, and the recipe holds, at one seed each, on three further gated families. The analysis says what that gain is. Without the ladder's partial credit it collapses by 60 points. From reward alone the trained model reaches what a classical optimizer reaches, at the agent's simulation budget, only when handed the closed-form physics (77% against 81%, a gap that does not separate at this size), while frontier models still solve 98-99%. Getting a trustworthy result meant failing four task designs that no-model baselines could solve, and we release the probes that found them.
- Abstract（参考訳）: グレーディングが議論できない場合は、言語モデルエージェントがそれを思い出すよりも物理学を学べるかどうかをテストする科学機器を設計する。
我々は,中性子機器設計のための最初の実行環境であるNeurotronGymを紹介した: エージェントはバリデーションツールを通じて楽器を製作し,McStas線はそれらを構築し,レベル分解されたはしごグレードの構文,実行時,構造,科学をLLM審査なしで構築する。
手続き的なファミリーは、エージェントが設定しなければならない固定されたレイアウトの無制限なインスタンスを提供し、保持されたパラメータのレシエーションを持ち、キュレートされたスライスであるMcStasBenchは、暗記プローブとサンドボックスの裏で発行された機器から16のタスクを追加する。
7つのモデルが16のうち少なくとも7つを再現し、参照を検索せず、改善ターゲットに到達しない。
環境も整備されている。
報酬に関する強化学習では、Qwen3-8Bは、隠れたデザイン(69%が第2シード)からターゲットを抽出した家族の保留インスタンスの11%から77%まで、訓練されていないQwen3-32Bを通り過ぎ、レシピは、それぞれ1つのシードでさらに3つのゲートされたファミリーに保持される。
その分析は、その利益が何であるかを示しています。
はしごの部分的なクレジットがなければ、60ポイントの差で崩壊する。
報酬のみから訓練されたモデルは、エージェントのシミュレーション予算で、クローズドフォーム物理学を渡したときのみ(77%対81%、このサイズでは分離されないギャップ)に到達し、フロンティアモデルは依然として98-99%を解決している。
信頼できる結果を得るということは、モデルベースラインが解決できない4つのタスク設計に失敗することを意味します。
関連論文リスト
- Capability-Stratified Degradation in Ternary Language Models [0.0]
第三次言語モデルは重量を$-1,0,+1$に制限し、$log 3 approx 1.585$ bits/weightに近づいた。
量子化対応トレーニング(QAT)の72.4Mトークンを用いて、Qwen3.5-0.8B(752Mパラメータ)を3次重みに変換する。
結果のモデルであるCloeは、29のベンチマーク、表現診断、下流の微調整で評価される。
論文 参考訳（メタデータ） (2026-08-28T19:22:38Z) - OraclePhys: A Systematic Framework for LLM Fine-Tuning on Structural Mechanics [30.23918589040863]
OraclePhysは3つのコンポーネントからなる体系的な微調整フレームワークである。
OraclePhys-Benchは、完全にグレードされた構造力学ベンチマークである。
OraclePhys-30Kは、バイト単位の構造記述に対する7つの回答フォームのデータセットである。
論文 参考訳（メタデータ） (2026-08-17T21:56:21Z) - Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。
まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。
第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
論文 参考訳（メタデータ） (2026-08-11T18:48:40Z) - Determinants and Limits of LLM Security-Tool Orchestration: A Study with HexStrike-AI [2.2616066835313253]
7つのカテゴリと3つの難易度で86のPicoCTF課題を実行し、3つのツールアクセスレジームと3つのモデル/クライアント構成で実行します。
既存のツール,エージェント・ビヘイビアの変更,11の新たな機能ツールに修正を適用し,これまで未経験だったトライアルを再実行します。
全体の解決率は55.4%から72.0%に上昇し、全ての構成が大幅に改善される。
論文 参考訳（メタデータ） (2026-07-03T02:20:04Z) - Physics Is All You Need? A Case Study in Physicist-Supervised AI Development of Scientific Software [0.304585143845864]
物理学者は、CLAX-PTを構築するために、12の作業日と57のセッションでAIコーディングエージェントを監督した。
エージェントは、託宣試験を繰り返すことで、自律的に10を解決した。
予防されたオラクル検出ができなかった3つは共通の性質を共有しており、症状の減少を根本原因の解決法として扱った。
論文 参考訳（メタデータ） (2026-05-28T17:59:59Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Workspace Optimization: How to Train Your Agent [49.579258311548635]
我々はエージェントのEmphworkspaceであり、それが読み取り、書き込み、テストする構造化された外部基質であると主張している。
本稿では,重み空間トレーニングの構造を反映して,作業空間を進化させる原理的手法を提案する。
ARC-AGI-3のマルチエージェントハーネスであるDreamTeamのアイデアをインスタンス化する。
論文 参考訳（メタデータ） (2026-05-10T16:52:10Z) - Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis [68.28714988482703]
プロセス・リワード・モデル(PRM)は、LLM(Large Language Models)の推論能力を増強することに成功した。
本稿では,一般ドメインのPRMがデータ分析エージェントの監督に苦慮していることを示す。
本稿では,新しい環境対応生成プロセス報酬モデルであるDataPRMを紹介する。
論文 参考訳（メタデータ） (2026-04-27T09:00:30Z) - Scaling Self-Play with Self-Guidance [62.13619253976748]
Self-Guided Self-Play (SGS)は、Conjecturerをジェネラシーから遠ざけるセルフプレイアルゴリズムである。
SGSは80ラウンド未満のセルフプレイで、最強のベースラインの解決率を上回っています。
論文 参考訳（メタデータ） (2026-04-22T05:50:23Z) - A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。
本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
論文 参考訳（メタデータ） (2026-03-04T07:23:54Z) - Tool-Augmented Reward Modeling [58.381678612409]
本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。
我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。
人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
論文 参考訳（メタデータ） (2023-10-02T09:47:40Z)
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。