論文の概要: Can LLMs Uncover Hidden Physical Laws through Free Exploration?

• arxiv url: http://arxiv.org/abs/2610.37649v1
• Date: Tue, 27 Oct 2026 17:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.740376
• Title: Can LLMs Uncover Hidden Physical Laws through Free Exploration?
• Title（参考訳）: LLMは隠れた物理法則を自由に発見できるのか?
• Abstract要約: ロングチャンは、1つ以上の法則が通常の物理学と異なる物理のシミュレーション世界を創出する。 評価されたLLMは、これらの法則に関する研究やヒントを使わずに、探検家として働き、オブジェクトを操作し、自身の質問を調査するためのツールを構築する。 GPT-6-Astraは16.7%、他の11は0%である。
• 参考スコア（独自算出の注目度）: 36.531052232141704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific discovery often begins with an unexpected observation that prompts a new research question. In a world with altered physical laws, can large language models (LLMs) notice unexpected behavior, such as heavier objects falling more slowly, and discover the law through experiments without being told what to investigate? To evaluate this ability, we introduce LongChang, an automated framework that creates simulated worlds with altered physics, where one or more laws differ from ordinary physics. The evaluated LLMs act as explorers, manipulating objects and building tools to investigate their own questions without research tasks or hints about these laws. Separate LLM agents generate and review scenes, review tool designs, and evaluate reports for correctness and experimental support using the altered physical laws and exploration records. These records guide scene evolution for further exploration, allowing the full cycle to run without human intervention. Among 12 LLMs, GPT-6-Astra achieves a discovery rate of 16.7%, while the other 11 score 0%. The exploration records reveal uninvestigated anomalies and only partial identification of the altered physical laws.
• Abstract（参考訳）: 科学的な発見は、しばしば予期せぬ観察から始まり、新しい研究の疑問を引き起こします。 物理法則が変化した世界では、大きな言語モデル(LLM)は、重い物体がよりゆっくり落ちるような予期せぬ行動に気付き、何を調べるべきかを告げることなく実験を通して法を発見できるだろうか? この能力を評価するために,1つ以上の法則が通常の物理と異なる物理のシミュレーション世界を創出する自動化フレームワークであるLongChangを紹介した。 評価されたLSMは、これらの法則に関する研究やヒントを使わずに、自身の質問を調査するための探検家、操作物、ツールを構築する。 異なるLLMエージェントがシーンを生成し、レビューし、ツールデザインをレビューし、修正された物理法則と探査記録を用いて、正確性および実験的支援の報告を評価する。 これらの記録は、さらなる探検のためにシーンの進化を導いており、人間の介入なしに全サイクルを走らせることができる。 12個のLDMのうち、GPT-6-Astraの発見率は16.7%であり、残りの11個は0%である。 調査記録は、未解明の異常と、修正された物理法則の部分的識別のみを明らかにしている。

関連論文リスト

• Drift Inspector: Exploring and Measuring Scientific Drift with Atomic Contribution Claims [48.566985572800995]
  提案するドリフトインスペクタ(Drift Inspector, Drift Inspector)は、研究分野が原子寄与率(ACC)レベルにおいて時間とともにどのように変化するかを計測し、調査するオープンソースシステムである。 システムはこれらの主張を何年もかけて、あらゆる傾向が背景にある主張や論文に遡るインタラクティブなマップにまとめる。
  論文  参考訳（メタデータ） (2026-09-30T13:24:39Z)
• Can LLMs Discover Scientific Laws in Real and Parallel Worlds? [58.76147897928744]
  SCILAWS-BENCHは、公表された研究と実際の科学データから構築された科学法発見のためのベンチマークである。 381の科学論文から118の問題を抽出し、291の法則と6つの科学分野にわたる800万の実際のデータポイントをカバーしている。 予測適合性は、科学的妥当性から分岐し、モデルが公表された公式を再現するか、移動するかを記憶する形に変化し、我々のベスト・オブ・N研究は選択ボトルネックを明らかにした。
  論文  参考訳（メタデータ） (2026-09-01T17:17:59Z)
• CausalGame: Benchmarking Causal Thinking of LLM Agents in Games [55.189910630332065]
  CausalGameは、AI Scientistsの因果思考能力を評価するためのベンチマークである。 選択バイアス、測定エラー、隠れた共同設立者を含む14のシナリオを設計します。 最高のモデルは78-85%の分析最適値に対して68.0%しか生存できず、セッションの5-7%は因果推論するルーリックのクレジットを受け取っている。
  論文  参考訳（メタデータ） (2026-07-05T13:08:51Z)
• DiscoverPhysics: Benchmarking LLMs for Out-of-the-Box Scientific Thinking [36.38263429163835]
  シミュレーションされた世界の動きの法則をLLMエージェントに求める対話型ベンチマークであるDiscoverPhysicsを紹介する。 我々は, 遮蔽・分数パワー重力, 多種結合, 暗黒物質様粒子, 非座標物理学, 時間変化相互作用などによって支配される22の世界を構築した。 世界を解決するには、エージェントが情報的実験を設計し、仮説を改訂する必要があるため、このベンチマークは長距離推論を探索する。
  論文  参考訳（メタデータ） (2026-05-25T17:50:07Z)
• Towards grounded autonomous research: an end-to-end LLM mini research loop on published computational physics [3.7193230342956056]
  最近の自律型LLMエージェントは、機械学習研究のエンドツーエンドの自動化を実証している。 エージェントが論文を読み、それを再生し、批判し、拡張するミニリサーチループである。 このループは、スケールと深さの2つの相補的な条件でテストします。
  論文  参考訳（メタデータ） (2026-04-14T02:06:59Z)
• NewtonBench: Benchmarking Generalizable Scientific Law Discovery in LLM Agents [65.85967483058705]
  科学法発見のための強力なツールとして、大規模な言語モデルが登場している。 このタスクの既存のベンチマークは、基本的な方法論のトリレンマに悩まされている。 12の物理領域にわたる324の科学法発見タスクからなるベンチマークであるNewtonBenchを紹介する。
  論文  参考訳（メタデータ） (2025-10-08T16:12:11Z)
• Can Language Models Discover Scaling Laws? [57.794209392781845]
  本稿では,拡張法則モデルとパラメータを協調的に最適化し,変数間の複雑な関係を自律的に探索する進化型エージェントSLDAgentを紹介する。 SLDAgentが、確立された人間由来の法則よりも、一貫して正確な外挿を示す法則を自動的に発見できることを、初めて実証した。
  論文  参考訳（メタデータ） (2025-07-27T05:45:26Z)
• Large Language Models are Zero Shot Hypothesis Proposers [17.612235393984744]
  大規模言語モデル(LLM)は、情報障壁を断ち切ることを約束する、グローバルかつ学際的な知識の豊富なものである。 バイオメディカル文献から背景知識と仮説ペアからなるデータセットを構築した。 ゼロショット, 少数ショット, 微調整設定において, 最上位モデルの仮説生成能力を評価する。
  論文  参考訳（メタデータ） (2023-11-10T10:03:49Z)

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。