論文の概要: Software Engineering for AI-Driven Science

• arxiv url: http://arxiv.org/abs/2610.34573v1
• Date: Sun, 25 Oct 2026 21:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.638201
• Title: Software Engineering for AI-Driven Science
• Title（参考訳）: AI駆動科学のためのソフトウェア工学
• Abstract要約: AI駆動科学のためのソフトウェアエンジニアリング(SE4AI4Sci)は、この課題に対処するための新興の研究分野である。 我々は,システミック・アシュアランス・チェーンを導入し,意図,実験設計,実装,実行,証拠,クレームを接続する。 我々は、この連鎖がどこで崩壊するか、既存の保証メカニズムが不足していること、そして新しい研究課題が何かを示す。
• 参考スコア（独自算出の注目度）: 17.10472221291278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI has made significant contributions to scientific discovery. Autonomous agents can now independently analyse complex problems, design experiments, write and execute code, analyse findings, and derive scientific conclusions. Nevertheless, errors in AI-generated code, experimental procedures, or evidence interpretation can lead to invalid research conclusions, undermining the reliability and reproducibility of automated scientific discovery. In this vision paper, we propose Software Engineering for AI-Driven Science (SE4AI4Sci) as an emerging research area for addressing this challenge. As an organising framework, we introduce the Scientific Assurance Chain, connecting intent, experimental design, implementation, execution, evidence, and claim. Through six documented failures in recent AI-for-science systems, we show where this chain can break, where existing assurance mechanisms fall short, and what new research challenges follow. We also outline a research agenda for adapting and extending software engineering techniques across the chain.
• Abstract（参考訳）: AIは科学的発見に多大な貢献をしている。 自律エージェントは、複雑な問題を独立して分析し、設計実験を行い、コードを書き、実行し、発見を分析し、科学的結論を導き出すことができる。 それでも、AI生成コードのエラー、実験手順、またはエビデンス解釈は、不正な研究結論を導き、自動化された科学的発見の信頼性と再現性を損なう可能性がある。 本稿では,AI駆動科学のためのソフトウェア工学(SE4AI4Sci)を,この課題に対処するための新たな研究分野として提案する。 組織化の枠組みとして、意図、実験設計、実装、実行、証拠、クレームを結びつける科学的保証連鎖を導入する。 最近のAI-for-scienceシステムにおける6つの文書化された失敗を通して、この連鎖がどこで壊れるか、既存の保証メカニズムが不足しているか、そして新しい研究課題がどんなものなのかを示す。 また、チェーン全体のソフトウェアエンジニアリング技術の適用と拡張に関する研究アジェンダを概説します。

関連論文リスト

• ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering [51.19819833971252]
  本稿では,科学プロセスのすべての段階に大規模言語モデルを統合する,因果的基盤を持つAIフレームワークであるECLAIRを紹介する。 ECLAIRはLSMを因果推論の原理の下で活動する活発な科学的エージェントとして扱う。
  論文  参考訳（メタデータ） (2026-08-03T14:47:03Z)
• Externalizing Research Synthesis and Validation in AI Scientists through a Research Harness [22.631467433443362]
  Xcientistは、研究合成と実験的検証を検査可能な契約統治プロセスに外部化する研究ハーネスである。 Xcientistの文献は、証拠、アイデアステート、実装計画、アブレーション記録、修復痕跡を永続的な研究成果として整理している。
  論文  参考訳（メタデータ） (2026-06-17T09:52:14Z)
• AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery [184.2309450554096]
  AutoResearchはAIを活用した科学ワークフロー自動化の開発スペクトルとして定義されている。 我々は、研究システムが制御、エビデンス、実行、検証、説明責任を再分配し、その分野を組織化する方法について分析する。 本稿では,5つの評価次元 – ノベルティ,インパクト,信頼性,証明 – を提案し,AutoResearchの自律性はドメイン条件であることを示す。
  論文  参考訳（メタデータ） (2026-05-22T03:40:30Z)
• From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery [108.1082357960201]
  エージェントAIは仮説生成、実験設計、実行、分析、反復的洗練の能力を示す。 この調査は、生命科学、化学、材料科学、物理学にまたがる自律的な科学的発見のドメイン指向のレビューを提供する。
  論文  参考訳（メタデータ） (2025-08-18T05:25:54Z)
• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions [0.0]
  エージェントAIシステムは推論、計画、自律的な意思決定を行うことができる。 彼らは、科学者が文献のレビューを行い、仮説を作成し、実験を行い、結果を分析する方法を変えようとしている。
  論文  参考訳（メタデータ） (2025-03-12T01:00:05Z)
• Towards Scientific Discovery with Generative AI: Progress, Opportunities, and Challenges [11.232704182001253]
  本稿では、科学的な課題に応用された大規模言語モデルやその他のAI技術の最近の進歩に注目し、科学的な発見のためのAIの現状について考察する。 そして、科学的な発見のためのより包括的なAIシステムの開発に向けた重要な課題と研究の方向性を概説する。
  論文  参考訳（メタデータ） (2024-12-16T03:52:20Z)
• Learning from learning machines: a new generation of AI technology to meet the needs of science [59.261050918992325]
  科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。 産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
  論文  参考訳（メタデータ） (2021-11-27T00:55:21Z)

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。