論文の概要: Designing Collaborative AI-Driven Workflows for Scientific Software Engineering
- arxiv url: http://arxiv.org/abs/2610.09995v1
- Date: Wed, 07 Oct 2026 12:55:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.912065
- Title: Designing Collaborative AI-Driven Workflows for Scientific Software Engineering
- Title（参考訳）: 科学ソフトウェアエンジニアリングのための協調型AI駆動ワークフローの設計
- Abstract要約: エージェント人工知能システムは、ソフトウェア工学と科学研究において幅広いタスクを遂行することができる。
これらのシステムは、完全な自動化ではなく、協力的なチーム構造の中で最もよく使われている、と私たちは主張します。
- 参考スコア（独自算出の注目度）: 1.2887300537634434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic artificial intelligence systems can carry out a broad range of tasks in software engineering and scientific research, from writing and translating code to running workflows for data analysis and visualization. In scientific computing, the difficulty is verifying that agent-generated code is both correct and understandable to teams whose members bring different areas of expertise. We therefore argue that these systems are best used within collaborative team structures rather than as full automation. In the workflows we propose, domain experts write the specification and plan, and agents operate under a deterministic orchestration pattern to write the target code. Each stage ends with a numerical comparison against the reference code and requires human review and approval before the next begins. We evaluate these workflows on the translation of a large high-energy physics application from Fortran to C++, running the same task under different orchestrators, design patterns, and models. Across fourteen experiments, a simple author--reviewer loop with enforced limits completed a comparable number of files to a multi-agent workflow at about one-third of the cost per file.
- Abstract（参考訳）: エージェント人工知能システムは、コードを書いたり翻訳したり、データ分析や視覚化のためのワークフローを実行するまで、ソフトウェア工学や科学研究において幅広いタスクを実行することができる。
科学計算では、エージェント生成されたコードが、メンバーが異なる専門分野をもたらすチームに正確かつ理解可能であることを検証することが困難である。
したがって、これらのシステムは完全な自動化ではなく、協力的なチーム構造の中で最もよく使われていると論じます。
提案するワークフローでは、ドメインの専門家が仕様と計画を書き、エージェントは決定論的オーケストレーションパターンの下で動作し、ターゲットのコードを書きます。
各ステージは参照コードに対する数値的な比較で終了し、次の開始前に人間によるレビューと承認が必要となる。
これらのワークフローは、FortranからC++への大規模な高エネルギー物理アプリケーションの変換に基づいて評価され、異なるオーケストレータ、デザインパターン、モデルの下で同じタスクを実行する。
14の実験で、強制された制限付き単純な著者-レビューアループが、ファイルあたりのコストの約3分の1で、マルチエージェントワークフローに匹敵する数のファイルを完成させた。
関連論文リスト
- OSWorld-Science: A Benchmark of Computer Use Agents for Learning and Using Scientific Software [54.375425166090245]
OSWorldScienceは、科学的に意味のあるタスク、アーティファクト評価、効率的なエージェントハーネスを組み合わせたベンチマークと評価環境である。
ベンチマークには12のVLMと、いくつかの科学領域とソフトウェア構成にわたる146の高品質タスクが含まれている。
以上の結果から,現在の最先端のVLMは,科学的領域において重要な問題に対処する上で,依然として課題に直面していることが明らかとなった。
論文 参考訳（メタデータ） (2026-09-30T15:03:05Z) - SciForge: An AI-Native, Multimodal Workbench for Scientific Discovery [48.99744520105086]
SciForgeはマルチモーダルな研究ネイティブAIワークベンチである。
検索、解析、モデルルーティング、ワークフローの実行、プロット、書き込み、プレゼンテーション生成がモジュラーエージェントアクセス可能なサービスとして実行される間、人間の判断のためにグラフィカルインターフェースを予約する。
論文 参考訳（メタデータ） (2026-07-17T15:13:03Z) - Code as Agent Harness [107.31925305395957]
新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。
コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。
この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
論文 参考訳（メタデータ） (2026-05-18T17:59:03Z) - HepScript: A Dual-Use DSL for Human-AI Collaborative Data Analysis Workflows in High-Energy Physics [17.146017163668557]
HepScriptは、解析ロジックを制約付き構文に抽象化する、共有形式インターフェースとして機能する。
この抽象化により、必要な人書きのコードを93%削減できる。
私たちの研究は、人間とAIの協調システムへのスケーラブルな経路を示します。
論文 参考訳（メタデータ） (2026-05-02T12:42:34Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - Engineering.ai: A Platform for Teams of AI Engineers in Computational Design [8.217119500224284]
計算設計におけるAIエンジニアのチームのためのプラットフォームであるEngineering.aiを紹介します。
このフレームワークは階層的なマルチエージェントアーキテクチャを採用しており、チーフエンジニアが特殊エージェントをコーディネートする。
このシステムはFreeCAD、Gmsh、OpenFOAM、CalculiX、BPM音響解析を統合し、並列多分野シミュレーションを可能にする。
論文 参考訳（メタデータ） (2025-10-31T08:00:48Z) - Context Engineering for Multi-Agent LLM Code Assistants Using Elicit, NotebookLM, ChatGPT, and Claude Code [0.0]
大規模言語モデル(LLM)は、コード生成とソフトウェアエンジニアリングタスクの自動化において有望であることを示しているが、コンテキスト制限と知識ギャップのため、複雑なマルチファイルプロジェクトに苦戦することが多い。
ユーザ要求を明確にするIntent Translator (GPT-5)、ドメイン知識を注入するElicitを利用したセマンティック文献検索、コンテキスト理解のためのNotebookLMベースの文書合成、コード生成と検証のためのClaude Codeマルチエージェントシステムなど、複数のAIコンポーネントを組み合わせた新しいコンテキストエンジニアリングワークフローを提案する。
論文 参考訳（メタデータ） (2025-08-09T14:45:53Z) - AgentMesh: A Cooperative Multi-Agent Generative AI Framework for Software Development Automation [0.0]
ソフトウェア開発タスクの自動化に複数のLCMエージェントを併用したPythonベースのフレームワークを提案する。
AgentMeshでは、Planner、Coder、Debugger、Reviewerといった特殊なエージェントが協力して、ハイレベルな要件を完全に実現されたコードに変換する。
論文 参考訳（メタデータ） (2025-07-26T10:10:02Z) - Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。
PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。
次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文 参考訳（メタデータ） (2025-04-24T01:57:01Z)
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。