論文の概要: OptScientist: Automated Discovery of Optimization Laws

• arxiv url: http://arxiv.org/abs/2610.28562v1
• Date: Tue, 20 Oct 2026 17:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.946388
• Title: OptScientist: Automated Discovery of Optimization Laws
• Title（参考訳）: OptScientist:最適化法則の発見を自動化する
• Abstract要約: データから直接、コンパクトなシンボル最適化法則を発見するための自動化フレームワークであるOptScientistを紹介する。 99の物理から導かれる最適化問題の新たなベンチマークである OptFeynman で OptScientist を評価した。 人間のリスク選択と中央銀行の金融政策について、OptScientistは、ホールドアウト予測性能を達成するためのコンパクトなシンボル最適化法を発見した。
• 参考スコア（独自算出の注目度）: 1.8930168645964383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many scientific phenomena are best understood as outcomes of underlying optimization problems, yet automated scientific discovery has largely focused on recovering equations that describe observed input-output patterns. We introduce OptScientist, a novel automated framework for discovering compact symbolic optimization laws directly from data. OptScientist comprises (i) a model that infers symbolic optimization problems by first learning to represent data as an optimization problem and then extracting its symbolic form, and (ii) an LLM agentic system embedding the model in a discovery process that integrates theoretical priors from scientific literature, discovers candidate laws, abstracts their underlying mechanisms, and suggests new data to collect. We first evaluate OptScientist on OptFeynman, a novel benchmark of 99 physics-derived optimization problems, where OptScientist recovers ground-truth laws for over 80% of the problems and remains robust to noisy contextual information, while substantially outperforming machine-learning, symbolic, and LLM-based model-discovery baselines. On human risky choice and central-bank monetary policy, OptScientist discovers compact symbolic optimization laws that achieve held-out predictive performance competitive with leading baselines, while using few parameters and substantially fewer tokens than LLM baselines. Overall, OptScientist extends automated scientific discovery to uncovering optimization laws that generate observed phenomena, enabling automated theory building across the physical, biological, behavioral, and social sciences.
• Abstract（参考訳）: 多くの科学的現象は、基礎となる最適化問題の結果として最もよく理解されているが、自動的な科学的発見は、観察された入出力パターンを記述する方程式の回復に主に焦点を当てている。 我々は,データから直接,コンパクトな記号最適化法則を発見するための新しい自動化フレームワークであるOpsScientistを紹介する。 OptScientist の構成 一 最適化問題としてデータを表現し、その記号形式を抽出することにより、記号最適化問題を推論するモデル 2) LLMエージェントシステムは, 科学的文献から理論上の先行点を統合し, 候補法則を発見し, その基盤となるメカニズムを抽象化し, 収集すべき新しいデータを提案する。 OptScientist on OptFeynman, a novel benchmark of 99 Physics- derived optimization problem, where OptScientist recovers ground-truth law for 80% of the problem and robust to noisy contextual information, while significantly outperforming machine-learning, symbolic, and LLM based model-discovery baselines。 人間のリスク選択と中央銀行の金融政策について、OptScientistはLLMベースラインよりも少ないパラメータとトークンを使用しながら、主要なベースラインと競合する持続的予測性能を達成するコンパクトなシンボル最適化法を発見した。 全体として、OptScientistは、自動科学的発見を拡張して、観測された現象を生成する最適化法を明らかにすることで、物理的、生物学的、行動的、社会科学にまたがる自動理論の構築を可能にしている。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• LLM-Based Scientific Equation Discovery via Physics-Informed Token-Regularized Policy Optimization [32.24464649397858]
  PiT-POは、Large Language Modelsを強化学習を通じて適応ジェネレータに進化させる統一フレームワークである。 PiT-POの中心は、2重拘束機構であり、冗長構造を抑えるために微細でトークンレベルのペナルティを同時に適用しながら、階層的な物理的妥当性を厳格に強制する。 実証的に、PiT-POは標準ベンチマークで最先端のパフォーマンスを達成し、流体力学問題に挑戦する新しい乱流モデルを発見することに成功した。
  論文  参考訳（メタデータ） (2026-02-11T07:02:23Z)
• Al-Khwarizmi: Discovering Physical Laws with Foundation Models [6.07593567400172]
  データから物理法則を推定することは、科学と工学の重要な課題である。 この研究は、データから物理法を発見するための新しいエージェントフレームワークであるAl-Khwarizmiを紹介している。
  論文  参考訳（メタデータ） (2025-02-03T09:54:00Z)
• OptiBench Meets ReSocratic: Measure and Improve LLMs for Optimization Modeling [62.19438812624467]
  大規模言語モデル (LLM) は数学的推論における問題解決能力を示した。 本稿では,人間可読入力と出力を用いたエンドツーエンド最適化問題のベンチマークであるOptiBenchを提案する。
  論文  参考訳（メタデータ） (2024-07-13T13:27:57Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Applications of Nature-Inspired Metaheuristic Algorithms for Tackling Optimization Problems Across Disciplines [12.664160352147293]
  本稿では,自然に着想を得たメタヒューリスティックアルゴリズムの有用性を示す。 本研究の主な目的は,CSO-MAのようなメタヒューリスティックなアルゴリズムが,統計学における様々な種類の最適化問題に取り組むのに効率的であることを示すことである。
  論文  参考訳（メタデータ） (2023-08-08T16:41:33Z)

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。