論文の概要: Knowledge Manifold Optimization for Scientific Discovery
- arxiv url: http://arxiv.org/abs/2610.25662v1
- Date: Mon, 19 Oct 2026 02:08:41 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:13:55.057271
- Title: Knowledge Manifold Optimization for Scientific Discovery
- Title（参考訳）: 科学的発見のための知識マニフォールド最適化
- Abstract要約: 我々は、知識マニフォールドフレームワークの発見指向拡張である知識マニフォールド最適化(KMO)を紹介する。
KMOは科学的な発見を、連続した文学的な知識空間の多目的探索として扱う。
本手法は, 空気力学および空力設計において, 99面コーパスで実証された。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The rapid expansion and specialization of scientific literature make it increasingly difficult to identify not only what is known, but where new and still supportable knowledge may emerge. We introduce Knowledge Manifold Optimization (KMO), a discovery-oriented extension of the Knowledge Manifold framework that treats scientific discovery as a multiobjective search over a continuous, literature-derived knowledge space. Candidate locations are evaluated using four complementary objectives: persistent knowledge-regime boundary strength, band-pass white-space novelty, semanticgradient magnitude, and evidential support. Rather than collapsing these criteria into a single weighted score, KMO identifies Pareto-optimal Supported Knowledge Gaps, defined as corpus-relative unoccupied regions that remain sufficiently supported by surrounding literature. The method is demonstrated on a 99-paper corpus in aerodynamics and aerodynamic design. On a 21 x 21 grid, exact Pareto analysis produced 19 non-dominated points, of which 16 formed the practical front after excluding points with zero white-space score. These solutions exhibited distinct discovery modes, including methodology bridges, aero-structural topology/FSI integration, functional aerodynamic-device integration, and rear-wake/vehicle flow-control integration. A distance-maximization baseline preferentially selected extrapolative regions with substantially lower support and reliability, demonstrating why emptiness alone is insufficient. Representative Pareto locations were converted into auditable evidence packages and then verbalized by a constrained large language model into candidate research hypotheses. The results show that scientific discovery can be formulated as structured multi-objective search in an explicit knowledge space, while keeping novelty corpus-relative and separating numerical discovery from downstream language generation.
- Abstract（参考訳）: 科学文学の急速な拡大と専門化により、何が知られているかだけでなく、新しい、そしてまだ支持可能な知識が現れるかを特定することがますます困難になる。
我々は,知識マニフォールドフレームワークの発見指向拡張である知識マニフォールド最適化(KMO)を紹介した。
候補地は, 永続的知識-登録境界強度, バンドパス・ホワイトスペース・ノベルティ, セマンティック・グラディエント・マグニチュード, 明確支援の4つの相補的目標を用いて評価される。
これらの基準を1つの重み付きスコアにまとめるのではなく、KMOはパレート最適支援知識ギャップを、周囲の文献によって十分に支持されているコーパス相対的非占有領域として定義している。
本手法は, 空気力学および空力設計において, 99面コーパスで実証された。
21×21の格子上では、正確なパレート解析により19個の非支配点が生成され、そのうち16個は白空間スコアがゼロの点を除いた後に実際的なフロントを形成した。
これらのソリューションには、メソジカルブリッジ、エアロ・構造トポロジ/FSI統合、機能的空力デバイス統合、リアウェイク/車両フロー制御統合など、明確な発見モードがあった。
距離最大化ベースラインを優先的に選択した外挿領域は, 支持率と信頼性が著しく低く, 空き単独では不十分であることを示す。
代表的パレートの場所は、聴取可能な証拠パッケージに変換され、制約付き大言語モデルによって言語化され、候補研究仮説に変換された。
その結果, 科学的発見は明示的な知識空間における構造化多目的探索として定式化され, 新規なコーパス相対性を維持し, 下流言語生成から数値的発見を分離することを示した。
関連論文リスト
- Uncertainty-Aware Continual Learning for Open-World Intent Discovery Under an evolving Label Space [0.0]
現実世界のインテリジェントシステムは、ユーザの意図が固定されていない、あるいは徹底的に知られているような、オープンワールドの条件下で運用される。
本稿では,ラベル空間の進化にともなう新たな意図発見のための統一的不確実性認識フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-15T21:45:51Z) - 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) - SciAtlas: A Large-Scale Knowledge Graph for Automated Scientific Research [64.97707567378497]
我々はSciAtlasについて紹介する。SciAtlasは大規模・多分野・異種学術資源知識グラフである。
26の分野から43万以上の論文と合計157万のエンティティと3Bのトリプレットを統合することで、SciAtlasは構造的トポロジカル認知基質を提供する。
我々は, 単純な意味マッチングから決定論的関連発見へのシームレスな遷移を達成し, 三経路協調的リコールとグラフ再ランクを特徴とするニューロシンボリック検索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-05-20T16:03:29Z) - SciResearcher: Scaling Deep Research Agents for Frontier Scientific Reasoning [54.194672921128785]
我々は、フロンティア科学データ構築のための完全に自動化されたエージェントフレームワークであるSciResearcherを紹介する。
SciResearcherは、学術的証拠に基づく様々な概念的および計算的なタスクを合成する。
我々は,HLE-Bio/Chem-Goldベンチマークで19.46%を達成できるエージェント基盤モデルであるSciResearcher-8Bを開発した。
論文 参考訳（メタデータ） (2026-05-02T15:26:45Z) - Theory of Space: Can Foundation Models Construct Spatial Beliefs through Active Exploration? [83.13508919229939]
宇宙の理論は、自己指向的かつ活発な探索を通じて情報を得るエージェントの能力として定義される。
重要な革新は空間的信念の探索であり、各ステップでモデルが空間的表現を明らかにするように促す。
この結果から,現在の基盤モデルでは,活発な探査において,コヒーレントで変更可能な空間的信念の維持に苦慮していることが示唆された。
論文 参考訳（メタデータ） (2026-02-04T19:06:40Z) - HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors [12.969042037563971]
HOLOGRAPHは、大規模言語モデルに基づく因果発見を形式化するフレームワークである。
我々の重要な洞察は、コヒーレントなグローバル因果構造は、グローバルセクションの存在に対応することである。
合成および実世界のベンチマークの実験は、HOLOGRAPHが厳密な数学的基礎を提供することを示した。
論文 参考訳（メタデータ） (2025-12-30T21:47:05Z) - Towards Open-Ended Visual Scientific Discovery with Sparse Autoencoders [11.190791003373322]
スパースオートエンコーダが基礎モデル表現からオープンな特徴発見を可能にするかどうかを問う。
生態画像に適用すると、同じ手順がセグメンテーションや部分ラベルにアクセスせずに微細な解剖学的構造を表面化する。
この結果から, スパース分解は, 科学基盤モデルが何を学んだかを調べるための実践的な手段となることが示唆された。
論文 参考訳（メタデータ） (2025-11-21T19:38:07Z) - GAPMAP: Mapping Scientific Knowledge Gaps in Biomedical Literature Using Large Language Models [2.770730728142587]
本研究では,生物医学文献における研究知識ギャップを同定する大規模言語モデルの能力について検討する。
明示的なギャップ、不明な知識の明確な宣言、暗黙的なギャップ、文脈推論された不足した知識の2つのカテゴリを定義します。
バイオメディカルな論文を手動で注釈付けしたコーパスを含む,4つのデータセットにわたる約1500の文書に対して2つの実験を行った。
論文 参考訳（メタデータ） (2025-10-29T00:46:45Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z)
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。