論文の概要: When Algorithmic Exploration Becomes Cheap: A Case Study of Agentic Research in EDA
- arxiv url: http://arxiv.org/abs/2610.10129v1
- Date: Wed, 07 Oct 2026 14:10:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.954485
- Title: When Algorithmic Exploration Becomes Cheap: A Case Study of Agentic Research in EDA
- Title（参考訳）: EDAにおけるエージェント研究の事例研究
- Abstract要約: 2022～2026年の間に4回のEDAカンファレンスと2つのジャーナルから8,420件の論文を収集し、分類し、分析する。
ツール開発者が以前追求する時間に欠けていたアイデアを調査する機会があると考えています。
- 参考スコア（独自算出の注目度）: 4.1567056819918555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As EDA researchers, we conducted eight deliberate trials of agentic algorithm exploration, selecting several topics outside our areas of depth. One faculty member and seven students participated, including students without publication experience. With limited intervention in the algorithms, agents developed mathematical constructions, analyzed existing tools, and implemented improvements; some efforts fell short of their practical goals. We also used AI to collect, classify, and analyze 8,420 papers from four EDA conferences and two journals over 2022-2026. Among 2,380 primary-core papers, we classified 97.7% from titles and abstracts as computationally closed, including work on new formulations. Together, these observations suggest that much of EDA offers an executable environment for increasingly accessible algorithm research. We see an opportunity for tool developers to investigate ideas they previously lacked time to pursue. We also ask how EDA should validate and reward research when results become easier to produce than to examine, and what papers and venue labels will continue to tell us about a contribution.
- Abstract（参考訳）: EDA研究者として、エージェントアルゴリズム探索の8つの故意な試行を行い、深度領域外におけるいくつかのトピックを選択した。
1人の教員と7人の学生が参加し、その中には出版経験のない学生も含まれていた。
アルゴリズムへの限られた介入により、エージェントは数学的構造を開発し、既存のツールを分析し、改善を行った。
また、2022年から2026年の間に4つのEDAカンファレンスと2つのジャーナルから8,420の論文を収集し、分類し、分析するためにAIを使用しました。
2,380の初等中核論文の中で、97.7%のタイトルと抽象概念を計算的にクローズドに分類し、新しい定式化の研究を行った。
これらの観測は、EDAの多くは、ますますアクセスしやすくなっているアルゴリズム研究のために実行可能な環境を提供することを示唆している。
ツール開発者が以前追求する時間に欠けていたアイデアを調査する機会があると考えています。
また、調査よりも結果の制作が容易になった場合、EDAが調査を検証し、報奨するべきかどうかを問うとともに、コントリビューションについてどの論文や会場ラベルが引き続き教えてくれるかを問う。
関連論文リスト
- IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation [53.38412637382984]
本稿では,イデオロギーをギャップ発見,イノベーション,レポート作成に分解し,各役割を強化学習で訓練するIdeanScientistを紹介する。
これらの役割は、関連する作業の限界を特定し、類似した問題設定から解の直観を引き出し、それらの直観を完全な研究提案へと発展させる。
ドメイン間の洞察の発見を容易にするため、検索、トレーニング、時間的に制御された評価のための277万の研究思想のコーパスであるSvalbard Idea Vaultを構築した。
論文 参考訳（メタデータ） (2026-10-02T21:35:55Z) - The Problem Is the Problem: Towards Scalable Mathematical Discovery [27.74875048771945]
我々は,適切な問題の検索を自動化し,フィルタリングのいくつかの段階を経たアーティファクトに人間の注意を集中させる,文献からレビューまでのカスケードを構築した。
ダヴィエの予想や疑問に関する結果、-Jenssen-Perkins-Roberts, Erds-Straus, Ikenmeyer--Pak-Panova, Lund-Saraf-Wolf など、多くの興味深い発見を見出した。
論文 参考訳（メタデータ） (2026-08-17T17:19:59Z) - AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。
エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。
最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
論文 参考訳（メタデータ） (2026-04-28T06:05:17Z) - AIRS-Bench: a Suite of Tasks for Frontier AI Research Science Agents [49.67355440164857]
AIRS-Benchは、最先端の機械学習論文から得られた20のタスクからなるスイートである。
Airs-Benchタスクは、研究ライフサイクル全体のエージェント能力を評価する。
本稿では,AIRS-Benchタスク定義と評価コードをオープンソースとして公開し,自律科学研究のさらなる発展を促す。
論文 参考訳（メタデータ） (2026-02-06T16:45:02Z) - Rethinking the AI Scientist: Interactive Multi-Agent Workflows for Scientific Discovery [0.17341675932416767]
本稿では,数分で測定したターンアラウンド時間を用いて,インタラクティブな科学的調査を可能にするマルチエージェントシステムであるDeep Researchを紹介する。
このアーキテクチャは、永続的な世界状態を通じて統合された計画、データ分析、文献検索、新規性検出のための特殊なエージェントから構成される。
BixBenchの計算生物学ベンチマークによる評価は、最先端のパフォーマンスを示し、オープンレスポンスでは48.8%、マルチチョイス評価では64.4%の精度を達成した。
論文 参考訳（メタデータ） (2026-01-18T19:12:41Z) - AblationBench: Evaluating Automated Planning of Ablations in Empirical AI Research [34.173947968362675]
AblationBenchは、経験的AI研究におけるアブレーション計画タスクのエージェントを評価するためのベンチマークスイートである。
AuthorAblationは、著者がメソッドセクションに基づいてアブレーション実験を提案するのに役立つ。
両方のタスクに対して,自動評価フレームワークとして機能するLMベースの判断器を開発する。
論文 参考訳（メタデータ） (2025-07-09T12:07:38Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳（メタデータ） (2024-05-30T04:46:40Z)
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。