論文の概要: Collaborative AI agents for autonomous experimental research with solid-state quantum spins

• arxiv url: http://arxiv.org/abs/2610.40589v1
• Date: Thu, 29 Oct 2026 17:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.130813
• Title: Collaborative AI agents for autonomous experimental research with solid-state quantum spins
• Title（参考訳）: 固体量子スピンを用いた自律的実験研究のための協調型AIエージェント
• Abstract要約: 本研究では,大規模言語モデルに基づくエージェント同士の作業評価を行う自律的な実験室を提案する。 彼らは研究の質問を生成・拒否し、別の理論的なチェックを必要とし、彼らの主張に異議を唱えるために設計された実験を行う。 本研究は, 協調型AIエージェントが研究課題を選択し, 理論的結果を導出し, 予測を実験的に検証できることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An autonomous research laboratory could conduct an entire study, from formulating questions to preparing manuscripts. Artificial intelligence (AI) offers one route towards this goal. Recent AI systems take on several research roles, but may draw conclusions that the evidence does not support. Here, we present an autonomous research laboratory in which agents based on large language models assess one another's work and can stop or redirect investigations. They can generate and reject research questions, require separate theoretical checks and conduct experiments designed to challenge their claims. We demonstrate these capabilities by investigating ensembles of quantum spins in diamond. The agents derived the minimum number of calibration settings needed to predict responses to a defined family of microwave pulse sequences. They checked the result computationally and designed experiments to distinguish competing predictions. An initial experiment agreed with the theoretical predictions, but repeated reference measurements showed that the signal was drifting during data collection. The agents therefore treated the result as inconclusive and revised the measurement protocol without relaxing the acceptance criteria. The revised experiment met those criteria and supported the theoretical predictions. This study demonstrates that collaborating AI agents can select research questions, derive theoretical results and test their predictions experimentally.
• Abstract（参考訳）: 自律的な研究所は、質問の定式化から原稿の作成まで、すべての研究を行うことができる。 人工知能(AI)はこの目標に向かってひとつの道筋を提供する。 近年のAIシステムはいくつかの研究役割を担っているが、証拠が支持できないという結論を引き出す可能性がある。 本稿では,大規模言語モデルに基づくエージェントが互いの作業を評価し,調査を止めたり,リダイレクトしたりできる自律型実験室を提案する。 彼らは研究の質問を生成・拒否し、別の理論的なチェックを必要とし、彼らの主張に異議を唱えるために設計された実験を行う。 ダイヤモンド中の量子スピンのアンサンブルを調べることで、これらの能力を実証する。 エージェントは、定義されたマイクロ波パルスシーケンスの族に対する応答を予測するのに必要な最小限のキャリブレーション設定を導出した。 彼らは計算結果を確認し、競合する予測を区別する実験を設計した。 最初の実験は理論的な予測と一致したが、繰り返しの基準測定により、信号がデータ収集中にドリフトしていることが判明した。 そこで, エージェントは, 評価基準を緩めることなく, 結果を決定的でないものとして処理し, 測定プロトコルを改訂した。 改訂された実験はこれらの基準を満たし、理論的な予測を支持した。 本研究は, 協調型AIエージェントが研究課題を選択し, 理論的結果を導出し, 予測を実験的に検証できることを実証する。

関連論文リスト

• HERA: Assessing an Autonomous Agent for Quantum Device Measurement [1.041244287595653]
  大規模な言語モデルエージェントは実験室での測定を始めているが、その科学的結論は精査された上でのみ有用である。 ここでは、量子デバイスの低温輸送測定を行うための自律エージェントHERAを紹介する。
  論文  参考訳（メタデータ） (2026-10-29T00:08:00Z)
• Kernel-based External Validity of Experimental Studies [23.782850556280792]
  研究の外的妥当性は、その発見がデータセットのような目に見えない実験条件に一般化する程度である。 我々は,研究結果と研究課題を合わせて形式化し,研究の2つの独立かつ同一サイズの複製が与えられた許容値を下回る最大平均差(MMD)をもたらす確率として外的妥当性を定式化する。
  論文  参考訳（メタデータ） (2026-10-09T14:08:09Z)
• The Calibration Turn in AI-Assisted Research: A Conceptual and Methodological Framework for Evidence-Licensed Claims [0.9805949492148788]
  本稿では,AI支援研究におけるエビデンスライセンスクレームの概念的枠組みを開発する。 仮説生成、モデルによる結果導出、外部検証、信条更新、クレームキャリブレーションの5つの演算子としてAI支援研究を表現している。
  論文  参考訳（メタデータ） (2026-06-30T07:46:54Z)
• Many AI Analysts, One Dataset: Navigating the Agentic Data Science Multiverse [22.927943525772857]
  大規模言語モデル(LLM)上に構築された完全自律型AIアナリストは、同様の構造化された分析的多様性を安価かつ大規模に再現可能であることを示す。 アナリストペルソナやLSMの再割り当ては, 方法論的に不十分なランニングを除いた後でも, 結果の分布をシフトさせる。
  論文  参考訳（メタデータ） (2026-02-21T04:10:21Z)
• FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
  FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。 最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
  論文  参考訳（メタデータ） (2026-02-02T23:21:13Z)
• 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)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)

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。