論文の概要: Open-ended Scientific Discovery with Possibilistic Reasoning

• arxiv url: http://arxiv.org/abs/2610.11289v1
• Date: Thu, 08 Oct 2026 05:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.820813
• Title: Open-ended Scientific Discovery with Possibilistic Reasoning
• Title（参考訳）: 確率論的推論によるオープンエンド科学的発見
• Abstract要約: 既存の方法はデータに依存した仮説を処理できますが、オープンな発見はより深い課題を引き起こします。 我々は、可能性理論を用いて、この問題をAbductive Autonomous Scientific Discoveryとして定式化する。 合成および実世界の科学的発見タスクの実験は、強い性能を示す。
• 参考スコア（独自算出の注目度）: 11.609207758830012
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous scientific discovery with LLMs requires generating and testing hypotheses adaptively as evidence accumulates while maintaining statistical validity. Existing anytime-valid methods can handle data-dependent hypotheses, but open-ended discovery poses a deeper challenge: the best discovered hypothesis may still be the best of a bad lot, with better explanations yet undiscovered, while even background knowledge such as physical laws may require revision in light of new findings. In response, we formalize the problem as Abductive Autonomous Scientific Discovery (AASD) using possibility theory. We introduce abductive utility, a computable measure of discovery progress, and possibility frontier search, the first algorithm for AASD, which maintains anytime validity and achieves $\varepsilon$-optimal abductive utility asymptotically under suitable conditions. Experiments on synthetic and real-world scientific-discovery tasks show strong performance.
• Abstract（参考訳）: LLMによる自律的な科学的発見は、統計的妥当性を維持しながら証拠が蓄積されるにつれて、仮説の生成と検証を適応的に行う必要がある。 既存の有能な手法は、データに依存した仮説を処理できるが、オープンエンドな発見は、より深い課題を生じさせる: 最良の仮説は、いまだに悪い部分のベストであり、説明は良くないが、物理法則のような背景知識でさえ、新しい発見を反映して修正を必要とする。 そこで我々は,この問題をAbductive Autonomous Scientific Discovery (AASD) として,可能性理論を用いて定式化する。 我々は,任意の有効性を維持し,適切な条件下で漸近的に$\varepsilon$-optimal abductive utilityを達成するAASDの最初のアルゴリズムであるアブダクティブユーティリティ,発見の進展の計算可能な尺度,フロンティア探索を導入する。 合成および実世界の科学的発見タスクの実験は、強い性能を示す。

関連論文リスト

• Can LLMs Discover Scientific Laws in Real and Parallel Worlds? [58.76147897928744]
  SCILAWS-BENCHは、公表された研究と実際の科学データから構築された科学法発見のためのベンチマークである。 381の科学論文から118の問題を抽出し、291の法則と6つの科学分野にわたる800万の実際のデータポイントをカバーしている。 予測適合性は、科学的妥当性から分岐し、モデルが公表された公式を再現するか、移動するかを記憶する形に変化し、我々のベスト・オブ・N研究は選択ボトルネックを明らかにした。
  論文  参考訳（メタデータ） (2026-09-01T17:17:59Z)
• Autonomous Scientific Discovery via Iterative Meta-Reflection [44.46230654454998]
  本研究では,データセットを探索するコードを動的に生成し,実行することにより,オープンエンドの研究を行うフレームワークであるDiscoPERを紹介する。 先行発見を経験的データとして扱うことにより、DiscoPERは探索空間の未知領域に向けて仮説探索を積極的にリダイレクトする。 iNatDiscoは、ピアレビューされた文献から得られるパターンレベル基底真理を持つ新しいマルチモーダル生態知識ベンチマークである。
  論文  参考訳（メタデータ） (2026-07-01T16:16:07Z)
• Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
  我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。 本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T09:20:12Z)
• NewtonBench: Benchmarking Generalizable Scientific Law Discovery in LLM Agents [65.85967483058705]
  科学法発見のための強力なツールとして、大規模な言語モデルが登場している。 このタスクの既存のベンチマークは、基本的な方法論のトリレンマに悩まされている。 12の物理領域にわたる324の科学法発見タスクからなるベンチマークであるNewtonBenchを紹介する。
  論文  参考訳（メタデータ） (2025-10-08T16:12:11Z)
• The Need for Verification in AI-Driven Scientific Discovery [9.887965168376311]
  機械学習と大規模言語モデルは、従来の手法をはるかに超えたスケールと速度で仮説を生成することができる。 検証のためのスケーラブルで信頼性の高いメカニズムがなければ、科学的進歩のリスクは先進的ではなく妨げられる、と我々は主張する。
  論文  参考訳（メタデータ） (2025-09-01T11:50:04Z)
• Open-ended Scientific Discovery via Bayesian Surprise [63.26412847240136]
  AutoDSは、ベイジアン・サプライズを用いた科学探査を駆動する、オープンエンドの科学的発見の方法である。 我々はAutoDSを、生物学、経済学、金融学、行動科学といった21の領域にまたがる実世界のデータセットにまたがるデータ駆動ディスカバリの設定で評価する。
  論文  参考訳（メタデータ） (2025-06-30T22:53:59Z)
• Toward Reliable Scientific Hypothesis Generation: Evaluating Truthfulness and Hallucination in Large Language Models [18.850296587858946]
  TruthHypoは,真理仮説を生成する上で,大規模言語モデルの能力を評価するためのベンチマークである。 KnowHDは知識に基づく幻覚検出装置で、既存の知識に基づいて仮説がどれだけうまく構築されているかを評価する。
  論文  参考訳（メタデータ） (2025-05-20T16:49:40Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• Evolving Scientific Discovery by Unifying Data and Background Knowledge with AI Hilbert [11.56572994087136]
  ケプラーの第3惑星運動法則を含む有名な科学法則は、公理やデータから原理的に導出できることを示す。 2変数変数と論理的制約を用いて複雑性をモデル化し、混合整数線形あるいは半定値最適化による最適化問題を解き、科学的発見の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-18T11:19:41Z)

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。