論文の概要: Discovering Models for Experimental Quantum Systems with Agentic AI

• arxiv url: http://arxiv.org/abs/2611.00620v1
• Date: Sat, 31 Oct 2026 04:41:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:11:13.26925
• Title: Discovering Models for Experimental Quantum Systems with Agentic AI
• Title（参考訳）: エージェントAIを用いた実験量子システムのモデル発見
• Abstract要約: 色中心キャビティ-QEDに基づく量子技術の実現における中心的な障害は、個々のエミッタ間の不均一性または障害である。 本稿では,大規模言語モデル(LLM)に基づくエージェントにツールと構造化ワークフローを備え,候補となるハミルトンモデルとリンドブラディアンモデルを提案し,計算ツールを生成し,競合する物理仮説を定量的に評価する人工知能駆動モデルフレームワークを提案する。 この結果から,構造化LDMエージェントは,量子光学実験データからモデル発見を支援すると同時に,人間の専門家の監督と協調を可能にすることが示唆された。
• 参考スコア（独自算出の注目度）: 20.33253982281432
• License:
• Abstract: A central obstacle in realizing color center cavity-QED-based quantum technologies is inhomogeneity, or disorder, among individual emitters. As the number of emitters increases, so does the complexity of the experimental data, making it difficult to quantify the present physical mechanisms of disorder. Here we introduce an artificial intelligence-driven model discovery framework in which a large language model (LLM)-based agent, equipped with tools and a structured workflow, proposes candidate Hamiltonian and Lindbladian models, generates computational tools, and quantitatively evaluates competing physical hypotheses. We apply the workflow to three previously published experimental cavity-QED datasets collected from color centers in diamond and silicon carbide. Across the experiments, the agent successfully identifies physical models for the system and characterizes the disorder. In assessing reproducibility, we find that run-to-run variability is concentrated primarily in the research plan generation step, while the computational analysis itself is substantially more consistent. Our results suggest that structured LLM agent workflows can support model discovery from quantum optical experimental data while simultaneously allowing for human expert supervision and collaboration.
• Abstract（参考訳）: 色中心キャビティ-QEDに基づく量子技術の実現における中心的な障害は、個々のエミッタ間の不均一性または障害である。 エミッターの数が増加するにつれて、実験データの複雑さも増加し、現在の障害の物理的メカニズムの定量化が困難になる。 本稿では,大規模言語モデル(LLM)に基づくエージェントにツールと構造化ワークフローを備え,候補となるハミルトンモデルとリンドブラディアンモデルを提案し,計算ツールを生成し,競合する物理仮説を定量的に評価する人工知能駆動型モデル探索フレームワークを提案する。 このワークフローを、ダイヤモンドおよび炭化ケイ素の色中心から収集した3つの実験空洞-QEDデータセットに適用する。 実験全体を通して、エージェントはシステムの物理的モデルを特定し、障害を特徴づけることに成功した。 再現性の評価において、実行間変動は、主に研究計画生成ステップに集中しているが、計算解析そのものは、かなり一貫性がある。 この結果から,構造化LLMエージェントワークフローは,量子光学実験データからモデル発見を支援すると同時に,人間の専門家の監督と協調を可能にすることが示唆された。

関連論文リスト

• Semantic Representation for Agentic Self-Play in Automated Laboratories [33.487527802510655]
  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。
  論文  参考訳（メタデータ） (2026-10-23T15:00:16Z)
• 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)
• A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
  分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。 この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。 ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
  論文  参考訳（メタデータ） (2026-04-17T15:16:33Z)
• PeroMAS: A Multi-agent System of Perovskite Material Discovery [51.859972927223936]
  ペロブスカイト太陽電池(PSC)は優れた光電子性能とコストポテンシャルで有名である。 既存のAIアプローチは主に、マテリアルデザイン、プロセス最適化、プロパティ予測など、独立したモデルに焦点を当てている。 ペロブスカイト材料発見のためのマルチエージェントシステムPeroMASを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:33:06Z)
• QUASAR: A Universal Autonomous System for Atomistic Simulation and a Benchmark of Its Capabilities [0.7519872646378835]
  QUASARは、生産段階の科学的発見を促進するために設計された原子論シミュレーションのための普遍的な自律システムである。 我々は,光触媒スクリーニングや新規材料評価など,日常的な課題からフロンティア研究の課題まで,一連の3段階の課題に対してquariSARをベンチマークした。 その結果,quiSARはタスク固有の自動化フレームワークではなく,一般的な原子論的推論システムとして機能することが示唆された。
  論文  参考訳（メタデータ） (2026-01-30T05:29:44Z)
• 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)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Qutrits for physics at the LHC [0.0]
  粒子物理学の標準モデルでは説明されていない異常事象は、重要な理論的、実験的、計算上の課題を引き起こす。 HL-LHC(High Luminosity Large Hadron Collider)のような次世代の衝突型加速器は、データ処理、信号再構成、分析を必要とする。 本研究は,高エネルギー物理データにおける異常検出における量子機械学習モデルの利用について検討する。
  論文  参考訳（メタデータ） (2025-10-15T18:32:09Z)
• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。