論文の概要: Learning from fracture: Teaching language models to design through physical experience

• arxiv url: http://arxiv.org/abs/2610.17804v1
• Date: Tue, 13 Oct 2026 06:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.534087
• Title: Learning from fracture: Teaching language models to design through physical experience
• Title（参考訳）: 骨折から学ぶ:物理体験を通してデザインする言語モデル
• Abstract要約: FracLearnは、テトリスにインスパイアされたフラクチャーゲームを通じて評価された、経験に富んだ一般化フレームワークである。 一般化は、これらの原則を新しいアーキテクチャに組み合わせ、初期の設計記録を超えるようモデルに挑戦する。 学習は、モデルウェイト更新なしで、外部の知識と決定を通じて行われる。
• 参考スコア（独自算出の注目度）: 4.9526511326302085
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: How can language models learn to optimize physical designs through experience? We introduce FracLearn, an experience-abstraction-generalization framework evaluated through a deliberately unfamiliar, Tetris-inspired fracture game. The model first proposes architectures and examines simulated fracture responses to accumulate experience. Abstraction organizes these observations into conditional principles linking reinforcement placement, crack evolution and load transfer, with supporting evidence and failure conditions. Generalization challenges the model to combine these principles in new architectures and surpass the earlier design record. Campaigns demonstrate progressive refinement and recovery through hypothesis revision, yielding a best composite score 11.0% above the experience-stage record. Fracture analyses connect improved performance to crack deflection and temporary trapping as toughening mechanisms, alongside greater residual load capacity. Learning occurs through external knowledge and decisions, without model-weight updates. This approach offers a route to scientific agents that turn computational experiments into reusable physical knowledge for materials discovery and engineering design.
• Abstract（参考訳）: 言語モデルは、経験を通して物理的な設計を最適化する方法を学ぶか? FracLearnは、テトリスにインスパイアされたフラクチャーゲームによって評価された、経験に富んだ一般化フレームワークである。 このモデルはまずアーキテクチャを提案し、経験を蓄積するためにシミュレーションされたフラクチャー応答を調べる。 抽象化はこれらの観察を、補強配置、ひび割れの進化、および負荷移動と、証拠と失敗条件を結びつける条件原理にまとめる。 一般化は、これらの原則を新しいアーキテクチャに組み合わせ、初期の設計記録を超えるようモデルに挑戦する。 キャンペーンでは、仮説修正による進歩的な改善と回復が示され、最高の合成スコアが経験段階記録より11.0%高い。 フラクチャー解析は、改良された性能とひび割れの偏向と一時的なトラップを強化機構として結合し、残負荷容量を増大させる。 学習は、モデルウェイト更新なしで、外部の知識と決定を通じて行われる。 このアプローチは、計算実験を材料発見と工学設計のための再利用可能な物理知識に変換する科学的エージェントへのルートを提供する。

関連論文リスト

• Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes [57.55143519213221]
  我々は,マルチモーダル事前学習の体系的な探索を通じて,経験的明瞭度を提供する。 人工および大規模実世界のデータセットに関する我々の実験は、マルチモーダルプレトレーニングの物理に関する4つの重要な洞察をもたらす。
  論文  参考訳（メタデータ） (2026-08-05T16:09:25Z)
• TRACER: Training-Free Closed-Loop Structured Inference for Traffic Accident Reconstruction [30.569426567956977]
  交通事故の再建は、不均一な証拠から物理的に一貫した動きを回復する必要がある法医学的逆問題である。 ここでは、閉鎖ループ構造推論プロセスとして再構成を定式化する、トレーニング不要なフレームワークTRACERを提案する。 実世界の事故データを用いた実験では、TRACERは、データ駆動と物理に基づくベースラインの両方において、幾何学的忠実度、速度の整合性、衝突の精度の向上を実現する。
  論文  参考訳（メタデータ） (2026-06-23T16:28:09Z)
• Reward Modeling for Reinforcement Learning-Based LLM Reasoning: Design, Challenges, and Evaluation [46.38008143057758]
  大きな言語モデル(LLM)は変革の可能性を示しているが、その推論は矛盾し、信頼できないままである。 この研究は、報酬モデリングは単なる実装の詳細ではなく、推論アライメントの中心的なアーキテクトであると主張している。 本枠組みでは,報奨機構の分類,報奨ハッキングを広範にわたる障害モードとして分析し,報奨が課題を統一する方法について検討する。
  論文  参考訳（メタデータ） (2026-02-10T00:45:24Z)
• Knowledge Collapse in LLMs: When Fluency Survives but Facts Fail under Recursive Synthetic Training [2.094557609248011]
  大規模な言語モデルは、人間が書き込んだコンテンツの不足のために、合成データにますます依存している。 モデル生成出力に対する再帰的なトレーニングは、事実の信頼性を脅かす退化過程であるモデル崩壊につながる。
  論文  参考訳（メタデータ） (2025-09-05T04:29:15Z)
• Empirical Evaluation of Knowledge Distillation from Transformers to Subquadratic Language Models [3.287942619833188]
  本研究では,トランスフォーマーの教師モデルから8つのサブクワッドラティックな学生アーキテクチャへの知識蒸留の伝達可能性について,体系的に評価する。 本研究では,教師モデルの知識蒸留による学習表現を最も効果的に近似できるサブクワッドラティックモデルについて検討した。
  論文  参考訳（メタデータ） (2025-04-19T17:49:52Z)
• Will Pre-Training Ever End? A First Step Toward Next-Generation Foundation MLLMs via Self-Improving Systematic Cognition [89.50068130832635]
  自己改善認知 (SIcog) は、マルチモーダル知識によって次世代のMLLMを構築するための自己学習フレームワークである。 ステップバイステップの視覚的理解のためのChain-of-Descriptionを提案し、詳細なマルチモーダル推論をサポートするために構造化されたChain-of-Thought(CoT)推論を統合する。 実験は、マルチモーダル認知を増強したMLLMの開発におけるSIcogの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-16T00:25:13Z)
• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• Spurious Forgetting in Continual Learning of Language Models [20.0936011355535]
  大規模言語モデル(LLM)の最近の進歩は、継続学習において複雑な現象を呈している。 大規模な訓練にもかかわらず、モデルは大幅な性能低下を経験する。 本研究では,このような性能低下が,真の知識喪失よりもタスクアライメントの低下を反映していることが示唆された。
  論文  参考訳（メタデータ） (2025-01-23T08:09:54Z)
• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)

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。