論文の概要: LLM-IDEA: Identifiability-Driven Experimental Agent for Autonomous Discovery of Mechanistic World Models

• arxiv url: http://arxiv.org/abs/2610.11253v1
• Date: Thu, 08 Oct 2026 05:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.733955
• Title: LLM-IDEA: Identifiability-Driven Experimental Agent for Autonomous Discovery of Mechanistic World Models
• Title（参考訳）: LLM-IDEA: Identifiability-Driven Experimental Agent for autonomous Discovery of Mechanistic World Models
• Abstract要約: Identifiability-Driven Experimental Agent (LLM-IDEA) を提案する。 それは、高原がより多くの検索を求めているのか、同じ種類のより良い実験なのか、それとも別の種類の実験なのかを推測せずに計算する。
• 参考スコア（独自算出の注目度）: 0.9023847175654603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model agents are being increasingly deployed as autonomous scientists, designing experiments and inferring mechanistic world models with minimal human oversight. Yet identifiability is often overlooked: when a plateau is reached, the agent needs to know whether it is not yet capable enough or the model simply is not identifiable from the data, in which case no amount of further experimentation of the same kind can help. We propose the Identifiability-Driven Experimental Agent (LLM-IDEA) for closed-loop discovery with an identifiability engine that returns a three-way plateau verdict: capability limit, resolvable within the design class, or certified exhausted. On ODEBench, 60 of the 62 systems with free constants are identifiable at round 0; the RC circuit is certified exhausted for every experiment that protocol can run, and a harvesting model is resolvable by one added initial condition. The identifiability engine reproduces known verdicts on Lotka-Volterra, Van der Pol, Lorenz, and a pharmacokinetic model, where it recommends the intravenous arm pharmacologists use, and it ranks the depth scorer of our own benchmark last among four observation designs. On the DiscoverPhysics benchmark, it finds two public worlds whose explanation rubric rewards a distinction no legal experiment can make, and every model there with accurate trajectories failed the explanation grade (15 of 15, against 5 of 9 in identifiable worlds, p = 0.012). On the Alien Universe, a two-body testbed we propose in which a force law switches between a provably non-identifiable and an identifiable protocol, LLM-IDEA on the identifiable protocol reaches discovery depth at least three on 8/8 seeds versus 1/8 without it. An autonomous discovery agent can thus compute, rather than guess, whether a plateau calls for more search, a better experiment of the same kind, or a different kind of experiment.
• Abstract（参考訳）: 大規模な言語モデルエージェントは、自律的な科学者として展開され、実験を設計し、最小限の人間の監視で機械的世界モデルを推論している。 しかし、高原に達すると、エージェントはそれがまだ十分な能力を持っていないか、あるいはモデルが単にデータから識別できないかを知る必要がある。 本稿では、3方向プラトー判定を返却する識別可能性エンジンを用いた閉ループ探索のための識別可能性駆動型実験エージェント (LLM-IDEA) を提案する。 ODEBenchでは、自由定数の62系のうち60系をラウンド0で特定でき、RC回路はプロトコルの実行可能な実験毎に排気され、収穫モデルは1つの追加初期条件で解決可能である。 この識別性エンジンは、Lotka-Volterra、Van der Pol、Lorenz、および薬物動態モデルに関する既知の評定を再現する。 DiscoverPhysics のベンチマークでは、説明ルーリックな報酬が法的な実験ができない2つの公的な世界を見つけ、正確な軌道を持つ全てのモデルが説明グレードに失敗した(p = 0.012)。 証明不可能なプロトコルと識別不能なプロトコルを強制法則で切り換える2体テストベッドであるAlien Universeでは、特定可能なプロトコル上のLSM-IDEAが、それなしでは8/8種子の少なくとも3つの発見深さに達する。 したがって、自律的な発見エージェントは、高原がより多くの探索を要求するかどうか、同じ種類のより良い実験、または異なる種類の実験を推測するよりも、計算することができる。

関連論文リスト

• OmniScientist: An Omni-Modal Omni-Discipline AI Scientist [39.38448883079899]
  私たちはOmniScientistを紹介します。OmniScientistはエンド・ツー・エンド、オムニ・モーダルなAI科学者で、生の証拠から直接研究を行います。 認識層と、アイデア、実験、書き込みのための3つの自律エージェントは、決定論的パイプライン内で動作する。 我々はOmniScientistを5つの専門科、科学的証拠の4つの科、画像、信号、音声、ビデオ、三次元構造、軌道、表、公式、グラフを含む36の実データケースで評価した。
  論文  参考訳（メタデータ） (2026-08-13T17:59:52Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• 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)
• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• 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)
• DiscoverPhysics: Benchmarking LLMs for Out-of-the-Box Scientific Thinking [36.38263429163835]
  シミュレーションされた世界の動きの法則をLLMエージェントに求める対話型ベンチマークであるDiscoverPhysicsを紹介する。 我々は, 遮蔽・分数パワー重力, 多種結合, 暗黒物質様粒子, 非座標物理学, 時間変化相互作用などによって支配される22の世界を構築した。 世界を解決するには、エージェントが情報的実験を設計し、仮説を改訂する必要があるため、このベンチマークは長距離推論を探索する。
  論文  参考訳（メタデータ） (2026-05-25T17:50:07Z)
• Attributing Emergence in Million-Agent Systems [68.53670424791751]
  大規模言語モデル(LLM)は、個々のエージェントにおける人間のような推論と意思決定をシミュレートすることができる。 このような研究は、個々のエージェントにマクロな出現をもたらす必要がある。 Aumann--Shapley path-integral attribution to LLM-powered MAS at million-agent scale。
  論文  参考訳（メタデータ） (2026-05-12T01:49:41Z)
• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。