論文の概要: Evolving Scientific Intelligence: From Fragmented Evidence to Distributed Experimental Loops

• arxiv url: http://arxiv.org/abs/2611.00580v1
• Date: Sat, 31 Oct 2026 03:12:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:19:27.119147
• Title: Evolving Scientific Intelligence: From Fragmented Evidence to Distributed Experimental Loops
• Title（参考訳）: 科学的知性を進化させる - 断片化された証拠から分散実験ループへ
• Abstract要約: 紙中心の通信は実験結果の断片化、遅延、未報告を残している。 インテリジェントな研究所のネットワークでは、あるドメインで失敗したり、見落とされたりすると、別のドメインで仮説が引き起こされる可能性がある。 我々はこれらのエビデンス駆動連鎖反応を可能にするアーキテクチャ青写真であるEvolving Scientific Intelligence (ESI)を提案する。
• 参考スコア（独自算出の注目度）: 0.8521132000449767
• License:
• Abstract: Scientific discovery advances when evidence from different investigations is brought into contact. Yet paper-centric communication leaves experimental results fragmented, delayed, or unreported, creating a "scientific memory wall" between growing computational capabilities and the evidence accessible to AI systems. We envision a different dynamic: in a network of intelligent laboratories, a failed or overlooked experiment in one domain could trigger a hypothesis in another, whose testing generates evidence that stimulates further investigations. Such chains of information collision and empirical validation could transform isolated discovery loops into a cumulative scientific process. We propose Evolving Scientific Intelligence (ESI), an architectural blueprint for enabling these evidence-driven chain reactions. ESI preserves experimental records in shared, computable scientific memory, where evidence from different domains can be recombined into testable hypotheses. It jointly selects candidates and evaluation methods according to scientific value, reliability, and cost, then coordinates physical tests across distributed experimental nodes. Their feedback revises hypotheses and evaluators, while slower meta-control reassesses research objectives and decision criteria to guard against self-reinforcing errors and misguided optimization. We call for an Information Manhattan Project to build the infrastructure for scientific intelligence that evolves through experimentally grounded chains of discovery.
• Abstract（参考訳）: 科学的発見は、異なる調査からの証拠が接触されるときに進行する。 しかし、紙中心のコミュニケーションは実験結果の断片化、遅延、未報告を残し、増大する計算能力とAIシステムにアクセス可能なエビデンスとの間に「科学的メモリウォール」を形成します。 インテリジェントな研究室のネットワークでは、あるドメインで失敗したり、見落とされたりすると、別のドメインで仮説が引き起こされる可能性がある。 このような情報衝突と経験的検証の連鎖は、孤立した発見ループを累積的な科学的プロセスに変換する可能性がある。 我々はこれらのエビデンス駆動連鎖反応を可能にするアーキテクチャ青写真であるEvolving Scientific Intelligence (ESI)を提案する。 ESIは共有され計算可能な科学的記憶において実験記録を保存し、異なる領域からの証拠を検証可能な仮説に再結合することができる。 科学的価値、信頼性、コストに応じて候補と評価方法を共同で選択し、次いで分散実験ノード間で物理的なテストを調整する。 彼らのフィードバックは仮説と評価を見直し、メタコントロールの遅さは研究目標と意思決定基準を再評価し、自己強化エラーや誤った最適化を防ぎます。 私たちはインフォメーション・マンハッタン・プロジェクト(Information Manhattan Project, マンハッタン・プロジェクト)に、実験的な基盤を持つ発見の連鎖を通じて進化する科学知能の基盤を構築することを求めている。

関連論文リスト

• Tracing the Scientific Discovery Capacity of LLMs to Their Training Data [62.94248886027262]
  大型言語モデル (LLM) は科学的発見への期待が高まっている。 LLMの科学的発見能力はトレーニングデータにどのようにトレースできるのか?
  論文  参考訳（メタデータ） (2026-11-02T18:50:54Z)
• Reimagining computational quantum research with AI scientists [57.82788604931818]
  現在のAI科学者は、公表された結果の再現に失敗することが多く、科学論文のコミュニケーションと自律エージェントが必要とするものとの根本的なミスマッチを明らかにする。 Residual Agents (RA, Residual Agents) は、量子化された自己改善型AI科学者で、検証済みのワークフローの修復をそのような経験に駆使する。 RAは、固定ベースモデルと限定適応予算の下での研究性能を大幅に改善する。
  論文  参考訳（メタデータ） (2026-11-02T09:32:13Z)
• Collaborative AI agents for autonomous experimental research with solid-state quantum spins [0.0]
  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。
  論文  参考訳（メタデータ） (2026-10-29T17:47:50Z)
• Beyond Equation Search: Conjecture-Guided Discovery with SCOPE and ClosureBench [57.05958395368265]
  SCOPEは複数の予想駆動の研究軌道を維持している。 ClosureBenchは、方程式発見に具体的な科学的目的を与えるクロージャ発見タスクに焦点を当てている。 SCOPEは多様なベースラインと比較して、ClosureBenchと現実世界の科学的発見ケースの両方で高い方程式精度を達成する。
  論文  参考訳（メタデータ） (2026-10-13T12:46:49Z)
• EvoSCM: Scientific Belief Revision Through Causal Model Evolution and Experimentation [68.80901568810616]
  EvoSCMは、新しい証拠が収集されるにつれて進化する明確な構造因果モデルを持つ科学エージェントを装備することを目的としている。 EvoSCM onPhysicsはエージェントが実験を通して非標準物理世界の隠れたダイナミクスを明らかにするのに必要なベンチマークである。
  論文  参考訳（メタデータ） (2026-09-01T16:55:56Z)
• EarthVerse: Benchmarking Scientific Agents Across Dynamic Earth Systems and Natural Hazards [73.12811119273206]
  我々は,包括的調査を通じて科学的エージェントを評価するベンチマークであるEarthVerseを紹介する。 エージェントは異種イベントパッケージを検査し、互換性のあるエビデンスを選択し、透過的な計算を実行し、ソース差を調整し、最終回答で証明を保存する。 システム全体では、平均回答ユニットの精度は84.65%であり、最も高いStrict@95は34.81%である。
  論文  参考訳（メタデータ） (2026-08-24T17:29:16Z)
• Autonomous Scientific Discovery via Iterative Meta-Reflection [44.46230654454998]
  本研究では,データセットを探索するコードを動的に生成し,実行することにより,オープンエンドの研究を行うフレームワークであるDiscoPERを紹介する。 先行発見を経験的データとして扱うことにより、DiscoPERは探索空間の未知領域に向けて仮説探索を積極的にリダイレクトする。 iNatDiscoは、ピアレビューされた文献から得られるパターンレベル基底真理を持つ新しいマルチモーダル生態知識ベンチマークである。
  論文  参考訳（メタデータ） (2026-07-01T16:16:07Z)
• Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
  我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。 本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T09:20:12Z)

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。