論文の概要: EvoSim: Learning to Model, Modeling to Learn

• arxiv url: http://arxiv.org/abs/2610.11344v1
• Date: Thu, 08 Oct 2026 06:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.837994
• Title: EvoSim: Learning to Model, Modeling to Learn
• Title（参考訳）: EvoSim: モデルを学ぶ、学習するモデリング
• Abstract要約: 物理モデリングのための自己進化型AI科学者であるEvoSimを紹介する。 実験的な不一致を利用して、メカニズムと方程式の修正を駆動し、実験データを保持し、物理的妥当性をテストする。 この共進化は物理学に基づくモデルを改善し、EvoSimのメカニズムの選択、故障の診断、研究のコーディネートを可能にする。
• 参考スコア（独自算出の注目度）: 9.11058274095839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-based models connect scientific explanation with quantitative prediction. Constructing them requires selecting physical processes, defining states and governing equations, specifying couplings, and identifying parameters from experiments. Existing AI systems remain limited in making these model structure decisions autonomously. We introduce EvoSim, a self-evolving AI scientist for physical modeling. It uses experimental discrepancies to drive mechanism and equation revisions and held-out experimental data to test physical plausibility. Exploration traces make updates to knowledge, skills, and multi-agent orchestration. This co-evolution improves physics-based models and EvoSim's ability to select mechanisms, diagnose failures, and coordinate research. We evaluate EvoSim on two industrial battery modeling tasks. It predicts lithium-metal-plating onset from 25 to 45 degrees Celsius and 2 C to 6 C with a mean absolute error of 1.79% in state of charge. Dynamic voltage prediction under vehicle driving conditions achieves a root mean square error of 7.62 mV, surpassing the reported accuracy of models developed by human experts. Self-evolution reduces model and physics errors by approximately 36% relative to baseline, demonstrating improved scientific modeling capability. EvoSim turns experimental observations into validated models and cumulative research expertise.
• Abstract（参考訳）: 物理学に基づくモデルは、科学的説明と定量的予測を結びつける。 構成には、物理的プロセスの選択、状態の定義、方程式の統制、結合の特定、実験からのパラメータの特定が必要である。 既存のAIシステムは、これらのモデル構造を自律的に決定することに制限されている。 物理モデリングのための自己進化型AI科学者であるEvoSimを紹介する。 実験的な不一致を利用して、メカニズムと方程式の修正を駆動し、実験データを保持し、物理的妥当性をテストする。 探索トレースは知識、スキル、マルチエージェントオーケストレーションを更新する。 この共進化は物理学に基づくモデルを改善し、EvoSimのメカニズムの選択、故障の診断、研究のコーディネートを可能にする。 EvoSimを2つの産業用バッテリモデリングタスクで評価する。 リチウム金属めっきの開始を摂氏25度から45度、2Cから6Cと予測し、平均絶対誤差は1.79%である。 車両運転条件下での動的電圧予測は、人的専門家によって開発されたモデルの精度を上回り、ルート平均2乗誤差が7.62mVに達する。 自己進化はモデルと物理の誤差をベースラインに対して約36%削減し、科学的モデリング能力の向上を示す。 EvoSimは、実験的な観察結果を検証されたモデルと累積的な研究の専門知識に変える。

関連論文リスト

• SciExam for ENSO: Can AI Agents Build Climate Models? [54.94822880836718]
  様々な情報の下でトップシステムの制御された実行は、そのスコアが、日付の観測記録をリコールすることによるものではないことを示唆している。 結果は、科学者がまだ議論している疑問に答える構造を持つ競争モデルを構築することができることを示唆している。
  論文  参考訳（メタデータ） (2026-10-07T17:52:52Z)
• EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
  EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。 EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
  論文  参考訳（メタデータ） (2026-09-01T16:55:56Z)
• 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)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• Data-Driven Discovery and Formulation Refines the Quasi-Steady Model of Flapping-Wing Aerodynamics [4.146941837017164]
  昆虫は羽ばたき翼の非定常空気力学力を制御し、複雑な環境を航行する。 我々は、これまで見過ごされていた重要なメカニズムの発見と定式化を含む、データ駆動型アプローチを開発する。 データ駆動の準定常モデルにより、高速な空気力学解析が可能となり、昆虫飛行における進化的適応を理解し、バイオインスパイアされた飛行ロボットを開発するための実用的なツールとなる。
  論文  参考訳（メタデータ） (2025-08-26T06:09:32Z)
• BoxingGym: Benchmarking Progress in Automated Experimental Design and Model Discovery [32.395366135636046]
  実験的な設計とモデル発見を評価するための10環境のベンチマークであるBoxingGymを紹介する。 予測情報ゲイン(EIG)は,実験が生成モデルのパラメータの不確実性をどの程度低減するかを測定する情報理論量である。 GPT-4oのような現在のLLMは、実験的な設計とモデル発見の両方に苦戦している。
  論文  参考訳（メタデータ） (2025-01-02T21:15:57Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Predicting Real-time Scientific Experiments Using Transformer models and Reinforcement Learning [0.0]
  本稿では,リアルタイム科学実験をシミュレートするTransformerモデルに基づくエンコーダデコーダアーキテクチャを提案する。 概念実証として、このアーキテクチャは化学反応によって生じる振動に一連の機械的入力をマッピングするように訓練された。 本研究は, 学習者がリアルタイムな科学実験をモデル化し, ユーザが操作する時間によってどのように変化するかを示すものである。
  論文  参考訳（メタデータ） (2022-04-25T15:19:25Z)

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。