論文の概要: SwarmRSI: Recursive Self-Improvement through Evolving Scientific Agent Swarm
- arxiv url: http://arxiv.org/abs/2610.20431v1
- Date: Wed, 14 Oct 2026 16:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.250449
- Title: SwarmRSI: Recursive Self-Improvement through Evolving Scientific Agent Swarm
- Title（参考訳）: SwarmRSI:科学エージェントSwarmの進化による再帰的な自己改善
- Abstract要約: 科学的研究における再帰的自己改善(RSI)は、エージェントの研究能力を改善することを目的としている。
再帰的自己改善のための科学エージェントSwarmを進化させるフレームワークSwarmRSIを紹介する。
我々は、他のエージェントからの実験的フィードバックを用いて、仮説とそれらの実装を洗練するために、フィードバックガイド付きSwarm Mutationを考案した。
また,保持仮説とエージェント間の相補的プログラム構成を再利用し,新たな研究を支援するための補足群組換えを提案する。
- 参考スコア（独自算出の注目度）: 33.88061995938679
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recursive self-improvement (RSI) in scientific research aims to improve agents' research capabilities through their own experimental experience. Scientific agent swarms can combine evidence and implementations from different research directions to guide their agents' subsequent experiments. However, poor experimental results can leave unclear whether to revise a hypothesis or its implementation, while overall program scores can hide components useful to other agents. To address these challenges, we introduce SwarmRSI, a framework that evolves scientific agent swarms for recursive self-improvement. We devise Feedback-Guided Swarm Mutation to refine hypotheses and their implementations using experimental feedback from other agents. We also propose Complementary Swarm Recombination to reuse retained hypotheses and complementary program components across agents, allowing partial results to support new research. Recursive Swarm Evolution integrates both mechanisms into a feedback loop, using new experimental evidence to guide subsequent research. Experiments on OpenProblems, NatureBench and MLE-Bench Lite demonstrate SwarmRSI's state-of-the-art (SOTA) performance. Further evaluations show that accumulated research experience improves performance on held-out tasks. Biologists also reproduce its programs for follow-up biological analyses.
- Abstract（参考訳）: 科学的研究における再帰的自己改善(RSI)は、エージェントの研究能力を改善することを目的としている。
科学エージェントのSwarmは、異なる研究方向からの証拠と実装を組み合わせて、エージェントのその後の実験をガイドすることができる。
しかしながら、実験結果の貧弱さは仮説の修正や実装について不明瞭なままにし、プログラム全体のスコアは他のエージェントにとって有用なコンポーネントを隠すことができる。
これらの課題に対処するために、再帰的自己改善のための科学エージェントSwarmを進化させるフレームワークSwarmRSIを紹介する。
我々は、他のエージェントからの実験的フィードバックを用いて、仮説とそれらの実装を洗練するために、フィードバックガイド付きSwarm Mutationを考案した。
また,保持仮説とエージェント間の相補的プログラム構成を再利用し,新たな研究を支援するための補足群組換えを提案する。
再帰的なSwarm Evolutionは、両方のメカニズムをフィードバックループに統合し、新しい実験的な証拠を使ってその後の研究を導く。
OpenProblems、NatureBench、MLE-Bench Liteの実験では、SwarmRSIの最先端(SOTA)のパフォーマンスが実証されている。
さらなる評価は、蓄積された研究経験により、ホールドアウトタスクのパフォーマンスが向上することを示している。
生物学者もまた、追跡生物学的分析のためのプログラムを再現している。
関連論文リスト
- 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) - Training AI Scientists to Replicate Research [8.913339899077362]
紙複製のためのスケーラブルなタスクスペースであるReplicaを開発した。
本稿では,低騒音で再現性評価に適合する自動生成ルーリック判定手法を提案する。
論文 参考訳（メタデータ） (2026-08-13T14:59:27Z) - Toward Auditable AI Scientists: A Hypothesis Evolution Protocol for LLM Agents [0.42970700836450476]
大規模言語モデル(LLM)エージェントは、AIによる科学的発見において、ますます中心的な役割を果たすことが期待されている。
本稿では、仮説生成、評価、進化を明示的で監査可能な操作として提供するエージェントハーネスである仮説進化プロトコル(HEP)を提案する。
材料科学研究タスクにおいて、HEPを組み込んだエージェントは、計画的なエージェントが欠如している仮説-テスト-エビデンス-ビリーフサイクルを運用し、研究課題を一般化し、基礎LLMがより有能になるにつれてプロトコルをより完全に活用する。
論文 参考訳（メタデータ） (2026-07-10T08:39:30Z) - AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation [28.790523063833376]
AutoScientistsは、長期的な計算科学実験のためのAIエージェントの分散チームである。
エージェントは共有された実験状態を解釈し、実験計算を使用する前に、有望な仮説、批判的な提案に関するチームに自己組織化する。
一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。
論文 参考訳（メタデータ） (2026-05-27T15:56:12Z) - FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。
最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
論文 参考訳（メタデータ） (2026-02-02T23:21:13Z) - Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。
本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。
実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
論文 参考訳（メタデータ） (2025-10-08T08:47:07Z) - MOOSE-Chem3: Toward Experiment-Guided Hypothesis Ranking via Simulated Experimental Feedback [136.27567671480156]
先行テストからのフィードバックに基づいて仮説を優先順位付けする実験誘導ランキングを導入する。
我々は、シーケンシャルな意思決定問題として実験誘導型ランキングを定めている。
我々のアプローチは、実験前のベースラインと強い改善を著しく上回る。
論文 参考訳（メタデータ） (2025-05-23T13:24:50Z) - Many Heads Are Better Than One: Improved Scientific Idea Generation by A LLM-Based Multi-Agent System [62.832818186789545]
Virtual Scientists (VirSci) は、科学研究に固有のチームワークを模倣するために設計されたマルチエージェントシステムである。
VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。
このマルチエージェントアプローチは、新しい科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-12T07:16:22Z)
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。