論文の概要: Semantic Representation for Agentic Self-Play in Automated Laboratories

• arxiv url: http://arxiv.org/abs/2610.32755v1
• Date: Fri, 23 Oct 2026 15:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.589651
• Title: Semantic Representation for Agentic Self-Play in Automated Laboratories
• Title（参考訳）: 自動実験室におけるエージェントセルフプレイのセマンティック表現
• Abstract要約: 我々は、人工知能(AI)エージェントとウェットラボの複雑でエラーを起こしやすい物理的現実のギャップを埋めるために設計された基盤インフラであるVERID(Verified Infrastructure for Discovery Laboratories)を紹介する。 VERIDは、実験室のワークセルの永続的で高忠実なセマンティックなデジタル双対であり、エージェント推論のためのクエリ可能なイントロスペクション、プロトコル検証のための時間圧縮シミュレーション、完全な科学記録のための包括的なトレース永続性、安全な実行のためのフレームワークの4つのコアサービスを提供する。 これらの研究は、VERIDが実験プロトコルにおけるクリティカルエラーのプリエンプティブ検出、ステートフルなミッドランエラー回復、そして、どのようにして可能かを実証する。
• 参考スコア（独自算出の注目度）: 33.487527802510655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Navigating complex, high-dimensional biological search spaces necessitates scalable physical and computational intelligence to explore beyond local optima through iterative self-play across ideation, experimentation, and automation. Translating experimental designs into reliable physical execution remains bottlenecked by static laboratory automation and unmodeled physical variability. To address this, we introduce VERified Infrastructure for Discovery Laboratories, or VERID, a foundational infrastructure designed to bridge the gap between the high-level reasoning of artificial intelligence (AI) agents and complex, error-prone physical realities of wet labs. VERID is a persistent, high-fidelity semantic digital twin of the laboratory workcell that provides four core services: queryable introspection for agentic reasoning, time-compressed simulation for protocol validation, comprehensive trace persistence for a complete scientific record, and a framework for safe execution. We present three case studies using aqueous dye and deionized water mixtures to validate the optical and fluidic foundations of VERID. These studies demonstrate how VERID enables pre-emptive detection of critical errors in experimental protocols, stateful mid-run error recovery and post-hoc identification of subtle physical failures. The simulation functions as a discrete accounting engine, allowing agents to safely and inexpensively explore experimental designs in silico and refine experimental strategies through iterative self-play. VERID also captures structured multimodal experimental data for downstream analysis, knowledge mining and agent training. We argue that this semantic layer is an essential prerequisite for deploying autonomous agents in the biochemical and biomedical sciences, ensuring data integrity, operational safety, and paving the way for tackling previously intractable grand challenges in biology.
• Abstract（参考訳）: 複雑で高次元の生物学的検索空間をナビゲートするには、アイデア、実験、自動化を越えて反復的な自己プレイを通じて局所最適を超えて探索するために、スケーラブルな物理的および計算的知性が必要である。 実験的な設計を信頼性のある物理的実行に変換することは、静的な実験室の自動化と、未モデル化の物理的変動によってボトルネックとなっている。 この問題を解決するために、私たちは、人工知能(AI)エージェントの高レベル推論と、ウェットラボの複雑でエラーを起こしやすい物理的現実とのギャップを埋めるために設計された基盤インフラであるVERID(Verified Infrastructure for Discovery Laboratories)を導入しました。 VERIDは、実験室のワークセルの永続的で高忠実なセマンティックなデジタル双対であり、エージェント推論のためのクエリ可能なイントロスペクション、プロトコル検証のための時間圧縮シミュレーション、完全な科学的記録のための包括的なトレース永続性、安全な実行のためのフレームワークの4つのコアサービスを提供する。 本稿では, 水性染料と脱イオン水混合物を用いた3つのケーススタディを行い, VERIDの光学的および流体的基礎を検証した。 これらの研究は、VERIDが実験プロトコルにおけるクリティカルエラーのプリエンプティブ検出、ステートフルなミッドランエラー回復、微妙な物理障害のポストホック同定を可能にしていることを示す。 シミュレーションは個別の会計エンジンとして機能し、エージェントはサイリコの実験的な設計を安全かつ安価に探索し、反復的な自己プレイを通じて実験戦略を洗練することができる。 VERIDはまた、下流の分析、知識マイニング、エージェントトレーニングのための構造化されたマルチモーダル実験データをキャプチャする。 このセマンティック・レイヤは、バイオケミカル・バイオメディカル・サイエンスに自律的なエージェントを配置し、データの完全性、運用上の安全性を確保し、これまで難解だった生物学の課題に対処するために必要な必須条件である、と我々は主張する。

関連論文リスト

• RoboChemGym: A Protocol-Driven Generative Simulation Framework for Long-Horizon Chemical Manipulation [60.85696622722056]
  ウェットラブ実験は科学的発見における仮説検証の金の標準となっている。 エージェントはこれらの面倒な作業を自動化するという約束を持っているが、彼らの開発は現実世界のトレーニングデータの不足によって妨げられている。 textbfRoboChemGymは,実世界の実験プロトコルに適合した高忠実な操作デモを自律的に生成するフレームワークである。
  論文  参考訳（メタデータ） (2026-10-02T02:43:15Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• AutoLabs: Cognitive Multi-Agent Systems with Self-Correction for Autonomous Chemical Experimentation [0.10999592665107412]
  AutoLabsは、自然言語命令を自動で実行可能なプロトコルに変換するように設計された、自己修正型マルチエージェントアーキテクチャである。 複雑化に関する5つのベンチマーク実験を特徴とする総合評価フレームワークを提案する。 以上の結果から,エージェント推論能力が成功の最も重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-30T01:51:46Z)
• Operationalizing Serendipity: Multi-Agent AI Workflows for Enhanced Materials Characterization with Theory-in-the-Loop [0.0]
  SciLinkは、材料研究におけるセレンディピティーを運用するために設計された、オープンソースのマルチエージェント人工知能フレームワークである。 実験観察、新規性評価、理論シミュレーションの直接的な自動リンクを生成する。 本稿では,原子分解能およびハイパースペクトルデータへの応用,リアルタイムな人間専門家指導の統合能力,研究ループを閉じる能力について述べる。
  論文  参考訳（メタデータ） (2025-08-07T04:59:17Z)
• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• Autonomous Microscopy Experiments through Large Language Model Agents [4.241267255764773]
  大規模言語モデル(LLM)は、材料研究のための自己運転実験室(SDL)に革命をもたらしている。 LLM駆動エージェントによる原子間力顕微鏡の自動化フレームワークであるArtificially Intelligent Lab Assistant (AILA)を紹介する。 アートモデルの現状が,基本的なタスクや調整シナリオに苦労していることに気付きました。
  論文  参考訳（メタデータ） (2024-12-18T09:35:28Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)

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。