論文の概要: ADAPT for Science: A Multi-Agent System for Self-Evolving Scientific Optimization

• arxiv url: http://arxiv.org/abs/2610.30851v1
• Date: Thu, 22 Oct 2026 07:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.269289
• Title: ADAPT for Science: A Multi-Agent System for Self-Evolving Scientific Optimization
• Title（参考訳）: ADAPT for Science: 自己進化型科学最適化のためのマルチエージェントシステム
• Abstract要約: ADAPT for Scienceは、科学最適化を2つの組み合わせた決定として扱うマルチエージェントフレームワークである。 我々は、微分可能な物理シミュレータと8つの未知の検出器トポロジーを用いて、重力波検出器の設計についてADAPTを評価する。
• 参考スコア（独自算出の注目度）: 38.94077192654715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific discovery often requires identifying a small number of high-performing designs in vast, constrained search spaces. This is difficult when evaluations are costly, feasible solutions are sparse, parameters are strongly coupled, and physical constraints are strict. Recent AI for AI methods can automatically improve algorithms and optimization procedures. However, general purpose approaches are not designed around scientific priors, physical constraints, and limited evaluation budgets. We introduce ADAPT for Science, a multi-agent framework that treats scientific optimization as two coupled decisions: where to search and how to search. ADAPT uses historical designs to identify promising and diverse initial conditions, progressively concentrates computation on favorable search directions, and evolves the optimization procedure from execution feedback. We evaluate ADAPT on the design of gravitational wave detectors using a differentiable physics simulator and eight unseen detector topologies. Under matched scientific evaluation budgets, ADAPT achieves a mean loss of 0.204 +/- 0.101, reducing loss by 54.9% relative to the best classical optimizer and by 62.2% relative to the best general purpose agentic evolution baseline. ADAPT achieves the lowest loss on all unseen topologies among the evaluated baselines. ADAPT provides a step toward scientific optimization systems that continuously learn from prior experience and their own search outcomes.
• Abstract（参考訳）: 科学的な発見はしばしば、膨大な制約のある探索空間において少数の高性能な設計を特定する必要がある。 これは、評価がコストがかかる場合、実現可能な解は疎く、パラメータは強く結合され、物理的制約は厳格である。 最近のAIメソッドはアルゴリズムと最適化手順を自動的に改善することができる。 しかし、一般的な目的のアプローチは、科学的事前、物理的制約、限られた評価予算に基づいて設計されていない。 我々は,科学最適化を2つの組み合わせた決定として扱う多エージェントフレームワークであるADAPT for Scienceを紹介した。 ADAPTは、将来性があり多様な初期条件を特定するために歴史的設計を使用し、計算を好ましい探索方向に集中させ、最適化手順を実行フィードバックから進化させる。 我々は、微分可能な物理シミュレータと8つの未知の検出器トポロジーを用いて、重力波検出器の設計についてADAPTを評価する。 適合した科学的評価予算の下では、ADAPTは0.204 +/- 0.101の平均損失を達成し、最高の古典的オプティマイザに比べて54.9%減少し、最高の汎用エージェント進化ベースラインに対して62.2%減少する。 ADAPTは、評価されたベースラインの中で、目に見えないすべてのトポロジに対して最低の損失を達成する。 ADAPTは、科学最適化システムへの一歩として、先行経験と独自の検索結果から継続的に学習する。

関連論文リスト

• Agentic High-Dimensional Bayesian Optimization with Hypothesis- and Evidence-Guided Search [19.77634277171551]
  高次元ベイズ最適化は、評価予算に対して変数の数が大きい場合、サンプル効率の最適化を求める。 近年のLLM法およびエージェントBO法では,タスク知識を取り入れ,実行中の探索決定に適応する手法が提案されているが,主に低次元および中等次元の問題で評価されている。 実験の結果,これらの手法は高次元のシステムでは信頼性が保たれていないことが明らかとなった。 我々は,タスクコンテキスト,最適化フィードバック,構造診断を利用した仮説および証拠誘導研究エージェントHERAを紹介する。
  論文  参考訳（メタデータ） (2026-09-28T04:28:41Z)
• Artificial Neural Networks as Surrogate Models in Black Box Optimization [0.0]
  ブラックボックス最適化(BBO)は、いくつかの工学分野に適用され、数値測度とシミュレーション技術の進歩を利用することができる。 サーチスペース内の入力ポイントのみを必要とするメトオドに依存し、対応する目的関数値とペアリングし、センサ、実験、シミュレーションなどの非分析手段によって得られる。 BBO法は目的関数の値にのみ依存するため、一般に多くの評価を必要とする。 本稿では,ニューラルネットワークを用いた新しいサロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2026-09-16T09:45:37Z)
• Evolutionary Two-Stage Hyperparameter Optimization Strategies for Physics-Informed Neural Networks [0.6924349411126935]
  本稿では,学習の一部と解の精度を組み合わせた進化的アルゴリズムに基づく2段階のアプローチを提案する。 我々は,3つの一般的な問題を評価し,その解法は標準学習より優れ,計算資源内で達成される。
  論文  参考訳（メタデータ） (2026-06-18T16:22:52Z)
• Evaluation-driven Scaling for Scientific Discovery [77.20820317940581]
  並列探索,フィードバック駆動の洗練,局所選択を組み合わせた,シンプルなテスト時間評価駆動スケーリング(SimpleTES)を紹介した。 適切な次元に沿って評価駆動の発見ループをスケールすることで、かなりの利益が得られます。 本研究は, 科学的発見を進展させる中心軸として, 効果的な評価駆動型ループスケーリングを確立した。
  論文  参考訳（メタデータ） (2026-04-21T11:24:09Z)
• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• Benchmarking global optimization techniques for unmanned aerial vehicle path planning [1.8416014644193066]
  無人航空機(UAV)経路計画問題(Unmanned Aerial Vehicle)は、ロボット工学分野における複雑な最適化問題である。 本稿では,グローバル最適化手法のベンチマークにおいて,この問題の有効利用の可能性について検討する。
  論文  参考訳（メタデータ） (2025-01-24T14:01:53Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)

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。