論文の概要: OceanMind: A multi-agent AI system for ocean diagnosis

• arxiv url: http://arxiv.org/abs/2610.03780v1
• Date: Wed, 30 Sep 2026 06:51:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:55:45.940712
• Title: OceanMind: A multi-agent AI system for ocean diagnosis
• Title（参考訳）: OceanMind: 海洋診断のためのマルチエージェントAIシステム
• Abstract要約: 我々は、大規模な言語モデルと包括的な時間依存の3Dオーシャンステートを結合するマルチエージェントAIシステムであるOceanMindを紹介する。 専門エージェントは、ユーザ要求を解釈し、多段階計算を構築し、実行し、定量的証拠を合成する。 4つのステージにまたがる240の計算ワークフロークエリのベンチマークでは、OceanMindは、同じ登録ツールプールを持つ一般的なReActエージェントを上回った。
• 参考スコア（独自算出の注目度）: 8.95492245400222
• License:
• Abstract: Time-dependent, three-dimensional (3D) oceanic multi-variables define coherent states of the evolving ocean to facilitate ocean diagnosis and advance ocean science to better inform environmental and hazard management. However, extracting quantitative evidence from these variables requires substantial and complex analytical effort. We introduce OceanMind, a multi-agent AI system that directly couples large language models (LLMs) with comprehensive time-dependent 3D ocean states for swift and effective diagnosis. OceanMind organizes the analytical process into four coordinated complexity stages: Query Routing, Skill-based Planning, Tool Execution, and Evidence-based Summary Generation. Specialized agents interpret user requests, construct and execute multi-step computational workflows, and synthesize quantitative evidence. To ensure reliable workflow construction, 63 reusable ocean-specific analysis skills serve as procedural manuals that guide the LLM agent in selecting data, conducting diagnostics, and applying analytical tools. With reflection and replanning mechanisms that use execution feedback to repair invalid plans, OceanMind ensures reliable analysis workflows across diverse needs. On a benchmark of 240 computational-workflow queries spanning the four stages, OceanMind outperformed general ReAct agents with the same registered tool pool, achieving relative improvements of 41.2% in effectiveness and 21.5% in efficiency. Beyond the benchmark, OceanMind reproduced published oceanic diagnostics, validated hypotheses, and supported environmental decision-making over global oceans. Overall, OceanMind advances LLMs by integrating them with time-dependent 3D ocean analysis, enabling scientific interpretation and enhancing formulation of environmental policies based on quantitative ocean evidence.
• Abstract（参考訳）: 時間依存型3次元海洋多変量器(3次元海洋多変量器)は、海洋診断を促進するために海洋のコヒーレントな状態を定義し、海洋科学を進歩させ、環境と危険管理をよりよく知らせる。 しかし、これらの変数から定量的な証拠を抽出するには、相当かつ複雑な分析作業が必要である。 我々は,大規模言語モデル(LLM)と時間依存の総合的な3D海洋状態を直接結合して,迅速かつ効果的な診断を行うマルチエージェントAIシステムであるOceanMindを紹介する。 OceanMindは、分析プロセスを、クエリルーティング、スキルベースのプランニング、ツール実行、エビデンスベースのサマリ生成の4つの調整された複雑性ステージに編成する。 専門エージェントは、ユーザの要求を解釈し、多段階の計算ワークフローを構築し、実行し、定量的エビデンスを合成する。 信頼性の高いワークフロー構築を保証するため、63の再利用可能な海洋分析スキルは、データの選択、診断の実行、分析ツールの適用においてLLMエージェントを導く手続きマニュアルとして機能する。 不正な計画の修正に実行フィードバックを使用するリフレクションとリプラン機構によって、OceanMindは、さまざまなニーズに対して信頼性の高い分析ワークフローを保証する。 4つのステージにまたがる240の計算ワークフロークエリのベンチマークでは、OceanMindは同じ登録ツールプールで一般的なReActエージェントより優れ、41.2%の効率と21.5%の効率で相対的に改善された。 ベンチマークの他に、OceanMindは海洋診断を再現し、仮説を検証し、地球上の環境決定を支持した。 全体として、OceanMindはLLMを時間依存の3D海洋分析と統合し、定量的な海洋証拠に基づく環境政策の科学的解釈と強化を可能にしている。

関連論文リスト

• Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent [55.77954024801206]
  海洋鉛(Pb)とその同位体は海洋循環と人為的汚染にとって重要なトレーサーである。 手動抽出はスケールできないが、汎用大規模言語モデル(LLM)は必要なドメイン固有の知識を欠いている。 我々は,LLMが微調整なしで厳密な科学的データ抽出を行うことのできる専門家誘導型適応手法を提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:06:25Z)
• OceanPile: A Large-Scale Multimodal Ocean Corpus for Foundation Models [57.19693589926157]
  OceanPileは、海洋基盤モデル用に設計された大規模マルチモーダルコーパスである。 OceanCorpus、OceanInstruction、OceanBenchmarkの3つの重要なコンポーネントで構成されている。 すべてのデータセットは、海洋人工知能の分野を前進させるために公開されている。
  論文  参考訳（メタデータ） (2026-04-25T14:53:37Z)
• OceanForecastBench: A Benchmark Dataset for Data-Driven Global Ocean Forecasting [10.30935627811107]
  データ駆動深層学習に基づく海洋予測モデルは、複雑な海洋力学を捉える大きな可能性を示している。 これらの進歩にもかかわらず、オープンソースのベンチマークがないため、一貫性のないデータの使用と評価方法が生まれている。 3つのコアコントリビューションを提供するベンチマークであるOceanForecastBenchを提案する。
  論文  参考訳（メタデータ） (2025-11-24T03:57:43Z)
• OceanGym: A Benchmark Environment for Underwater Embodied Agents [69.56465775825275]
  OceanGymは、海洋水中のエンボディエージェントに関する最初の総合的なベンチマークである。 それは、最も要求の多い現実世界環境の1つでAIを前進させるように設計されている。 高忠実で厳格に設計されたプラットフォームを提供することで、OceanGymは堅牢なエンボディAIを開発するためのテストベッドを確立する。
  論文  参考訳（メタデータ） (2025-09-30T17:09:32Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• AI-GOMS: Large AI-Driven Global Ocean Modeling System [3.635120568177384]
  海洋モデリングは、海洋の物理的、化学的、生物学的過程をシミュレートするための強力なツールである。 本稿では,AIによる大規模海洋モデリングシステムであるAI-GOMSについて紹介する。
  論文  参考訳（メタデータ） (2023-08-06T15:59:30Z)

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。