論文の概要: The Future of AI-assisted Physics: Discovering, Verifying and Organizing Results via Formalization

• arxiv url: http://arxiv.org/abs/2610.14059v1
• Date: Tue, 06 Oct 2026 18:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.005048
• Title: The Future of AI-assisted Physics: Discovering, Verifying and Organizing Results via Formalization
• Title（参考訳）: AI支援物理学の未来:形式化による結果の発見、検証、整理
• Abstract要約: AIの急速な進歩は、物理学の新しい時代を開いた。 これらの進歩は、彼らが急速に生み出す結果の検証、信頼、再利用における課題ももたらします。 フォーマル化は、計算物理学と理論物理学の両方において、AI駆動の発見にとって不可欠な層である、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid advances in AI have opened a new era for physics, enabling unprecedented capabilities in research and discovery. However, these advances also bring challenges in verifying, trusting, and reusing the results they so rapidly produce. Formalization is a necessary part of the solution to these challenges. In this paper, as well as giving an overview of the role of AI and formalization in physics, we make the case that: (1) formalization is an essential layer for AI-driven discoveries in both computational and theoretical physics; (2) AI is lowering the barrier to, and increasing the efficiency of, formalization in physics, though it remains weaker at choosing definitions and designing libraries than at writing proofs; (3) the speed AI brings to formalization in physics currently comes at the cost of trust, credit, and community; (4) shared, community-reviewed formal libraries such as Physlib should be central in making progress in this field, both as a trusted, reusable foundation for physics results and as the environment in which AI systems can reason about physics; (5) formalizing physics raises challenges beyond those in mathematics, most importantly that a checked proof does not establish that its definitions faithfully capture the intended physics. We also give our perspectives on near-term and long-term directions in these areas.
• Abstract（参考訳）: AIの急速な進歩は、物理学の新しい時代を開き、研究と発見における前例のない能力を可能にした。 しかしながら、これらの進歩は、彼らが急速に生み出す結果の検証、信頼、再利用における課題ももたらします。 形式化はこれらの課題に対するソリューションの不可欠な部分です。 本稿では,(1) 定式化は,計算物理学と理論物理学の両方において,AIによる発見に不可欠な要素である,(2) 定式化の障壁を減らし,物理における形式化の効率を高めること,(3) 定式化が証明書よりも定義や設計ライブラリの選択に弱いこと,(3) 物理における形式化が現在,信頼,信用,コミュニティのコストで実現されていること,(4) 共有のコミュニティがレビューする形式化ライブラリは,物理学の信頼性と再利用可能な基盤として,およびAIシステムが物理を推論できる環境として,この分野での進歩の中心に置かれるべきであること,(5) 定式化は,その定義を確実に達成できないこと,といった重要な課題を,数学の課題を提起する。 また、これらの領域における短期的および長期的方向性についても見解を述べる。

関連論文リスト

• FormalScience: Scalable Human-in-the-Loop Autoformalisation of Science with Agentic Code Generation in Lean [7.11696910077237]
  FormalScienceは、人為的なエージェントパイプラインで、テキストシンタクティックに正確で、テキスト的に整列された、低い経済コストに対する非公式な推論の形式的証明を生成する。 我々は、Lean4の公式表現とともに200の物理問題と解(主に量子力学と電磁磁性)のデータセットであるFormalPhysicsを構築した。 我々は、ゼロショットプロンプト、エラーフィードバックによる自己抑制、新しいマルチステージエージェントアプローチを通じて、データセット上のステートメントの自動形式化タスクに基づいて、オープンソースモデルとプロプライエタリシステムを評価する。
  論文  参考訳（メタデータ） (2026-04-24T20:47:22Z)
• PhysProver: Advancing Automatic Theorem Proving for Physics [17.074001092418793]
  本稿では、物理学領域における形式定理の証明を強化するための最初のアプローチを提案する。 PhysLeanからサンプリングされた定理と、予想に基づく形式データ生成パイプラインによって生成されるデータで構成されている。 トレーニングパイプラインでは、強力なオープンソースの数学的定理証明器であるDeepSeek-Prover-V2-7Bを活用し、RLVR(Reinforcement Learning with Verifiable Rewards)を使用して、モデルのPhysProverをトレーニングします。
  論文  参考訳（メタデータ） (2026-01-22T08:05:32Z)
• Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI [57.44526951497041]
  我々は、物理的原則と具体的推論プロセスの両方において、学習の基礎となるインテリジェントなシステムを提唱する。 我々は、物理現象を説明でき、将来の状態を予測できる次世代の世界モデルを構想する。
  論文  参考訳（メタデータ） (2025-10-06T16:16:03Z)
• Probing the Critical Point (CritPt) of AI Reasoning: a Frontier Physics Research Benchmark [49.42250115889234]
  本研究では,研究レベルの推論タスクにおいて,大規模言語モデル(LLM)をテストするために設計された最初のベンチマークを示す。 CritPtは71の複合研究課題からなる。 現在最先端のLCMは、孤立したチェックポイントを早期に保証しているが、完全な研究スケールの課題を確実に解決できるには程遠い。
  論文  参考訳（メタデータ） (2025-09-30T17:34:03Z)
• Towards a Large Physics Benchmark [1.882115594816394]
  本稿では,基礎物理学における大規模言語モデル開発の評価,監視,評価を行うためのベンチマークフレームワークを提案する。 我々は,各質問が専門家によって正当性,難易度,驚きによってスコア付けされるスコアシステムを開発する。 現在のデータセットには、高エネルギー物理イベントを分類する機械学習チャレンジなど、さまざまな例が含まれています。
  論文  参考訳（メタデータ） (2025-07-29T11:19:00Z)
• Can Theoretical Physics Research Benefit from Language Agents? [50.57057488167844]
  大規模言語モデル(LLM)は、様々な領域にわたって急速に進歩しているが、理論物理学研究への応用はまだ成熟していない。 このポジションペーパーは、LLMエージェントが、ドメイン知識やツールボックスと適切に統合された場合、理論的、計算的、応用物理学を加速するのに役立つと主張している。 マルチモーダルデータを処理し、検証可能な仮説を提案し、設計実験を行う物理特殊化LSMを構想する。
  論文  参考訳（メタデータ） (2025-06-06T16:20:06Z)
• What is AI, what is it not, how we use it in physics and how it impacts... you [0.0]
  人工知能(AI)と機械学習(ML)は、30年以上にわたって粒子物理学で普及してきた。 本稿では,その基盤,誤解,傾向,影響について批判的に考察する。 物理学以外にも、AIのより広範な社会的応用にも対処している。
  論文  参考訳（メタデータ） (2025-04-02T15:35:43Z)
• Formal Mathematical Reasoning: A New Frontier in AI [60.26950681543385]
  我々は公式な数学的推論を提唱し、AI4Mathを次のレベルに進めるには不可欠であると主張している。 既存の進捗を要約し、オープンな課題について議論し、将来の成功を測るための重要なマイルストーンを想定します。
  論文  参考訳（メタデータ） (2024-12-20T17:19:24Z)

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。