論文の概要: Organizational Learning in Materials Discovery Campaigns: Which Databases, Calculations, and Agent Teams Pay Off

• arxiv url: http://arxiv.org/abs/2611.02571v1
• Date: Mon, 02 Nov 2026 05:56:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:47:47.04598
• Title: Organizational Learning in Materials Discovery Campaigns: Which Databases, Calculations, and Agent Teams Pay Off
• Title（参考訳）: 材料発見キャンペーンにおける組織的学習: どのデータベース、計算、エージェントチームが報いるか
• Abstract要約: 1つのバンドギャップキャンペーンは、記録されたギャップから7つのアニオンファミリーをランク付けしている。 1つのパイプラインから2つのデータベースは1つ以上のものを追加しますが、プールは2つの投票で共有します。 第1四半期の計算では、固定チームでは40パーセント、MACE-MP-0単独では73%と、最も低エネルギーな10の化合物の49%が検出された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: More databases can make a materials campaign worse. Through an organizational lens, we trace each source's contribution. One band-gap campaign ranks seven anion families from archived measured gaps, one vote per source. In the first half of its budget, all seven pooled rank worse (rank agreement 0.737; 1 = measured order) than the best pool of three (0.851). As a stability check, choosing the pool on half the runs and testing on the rest kept the gap. Splitting Materials Project afterwards points to its transition-metal oxides and fluorides. Two databases from one pipeline add nothing over one, but pooling gives their shared ordering two votes. New calculations repay their cost early only when two or three campaigns reuse them. Flat language-model agent teams trailed a random-pick baseline (mean 0.876, sd 0.096, 20 searches). An adaptive Al-Mg-Si team, mostly interatomic potentials, was scored on unseen HSE06 calculations. In its first quarter of compute it found 49% of the ten lowest-formation-energy compounds, against at most 40% for fixed teams and 73% for MACE-MP-0 alone. Merging members whose orderings agreed carried most of its gain. This suggests pooling a few sources that fit the measurements, counting each pipeline once and charging for computation.
• Abstract（参考訳）: より多くのデータベースが材料キャンペーンを悪化させる可能性がある。 組織的なレンズを通して、私たちはそれぞれのソースのコントリビューションを追跡します。 1つのバンドギャップキャンペーンは、記録されたギャップから7つのアニオンファミリーをランク付けしている。 予算の前半では、最高の3つのプール(0.851)よりも7つのプールド・ランク(ランク・コンセンサス 0.737; 1 = 測定順序)が悪くなる。 安定性チェックとして、実行の半分でプールを選択し、残りの半分でテストすることでギャップを保った。 その後、スプリッティング・マテリアル・プロジェクトは遷移金属酸化物とフッ化物について言及した。 1つのパイプラインから2つのデータベースは1つ以上のものを追加しますが、プールは2つの投票で共有します。 新たな計算は、2、3つのキャンペーンが再利用した場合にのみ、早期に費用を返済する。 フラット言語モデルエージェントチームは、ランダムピックベースライン(平均0.876, sd0.096, 20検索)をたどった。 適応型Al-Mg-Siチームは、主に原子間ポテンシャルで、目に見えないHSE06計算で測定された。 第1四半期の計算では、固定チームでは40パーセント、MACE-MP-0単独では73%と、最も低エネルギーな10の化合物の49%が検出された。 命令に同意した合併メンバーはその利益の大半を担った。 これは、測定に適合するいくつかのソースをプールし、各パイプラインを1回カウントし、計算に課金することを示唆している。

関連論文リスト

• DAPS: Dependency-Aware Premise Selection for LLM Theorem Proving [57.48166976575127]
  リーン 4 で証明された LLM ベースの定理は急速に進歩しているが、プローバーは新しく提供された補題を活用するのは難しい。 既存のニューラルセレクタは、3つの固有の制限とともに、セマンティックな類似性によって候補をランク付けする。 DAPS、構造的近傍エンコーダ、グループレベルのコントラスト目的、Mathlib-then-Blueprint適応プロシージャを導入。
  論文  参考訳（メタデータ） (2026-10-30T10:28:34Z)
• MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution [51.00839146188019]
  MESH-Harnessは、各ハーネスを明示的なロール固有のインターフェイスを持つ機能モジュールにまとめる。 Mixed-start coordinate ascentは、空間を列挙することなく、評価のための完全な構成を選択する。 繰り返しハーネス最適化はMESH-Harnessを5.63-7.79ポイント改善した。
  論文  参考訳（メタデータ） (2026-10-04T15:22:23Z)
• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。 各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。 約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• Test-Time Scaling in the Wild: Why Exploitation, Not Exploration, Is the Bottleneck [1.4991111518581999]
  テストタイムスケーリング(TTS)は、追加の推論計算を使用することで、言語モデルの出力を改善する。 5世代ベンチマークで5つのTSファミリーの計算正規化比較を行った。
  論文  参考訳（メタデータ） (2026-08-19T13:59:53Z)
• Winning by Peeking: Unenforced Budgets and Test-Set Selection Inflate Short-Budget AutoML Comparisons [4.156551823302787]
  簡単なAutoMLエンジンであるOrcetraが513のOpenMLデータセットでFLAMLとAutoGluonに勝っているというケーススタディを報告する。 両方のマージンは、結果テーブルに表示できないプロトコルの欠陥から来ています。
  論文  参考訳（メタデータ） (2026-08-07T15:00:10Z)
• The Shared Discovery Paradox: How a One-Answer Rule Turns Better Information into Worse Search [0.0]
  16個のボックス,1つのターゲット,8つのサーチカ,およびノイズの多い私的手がかりを備えた,正確に解決可能なベンチマークを開発する。 ポーリングは最高のシングルレコメンデーションの精度を0.20から0.3835に引き上げるが、そのリコメンデーションはグループ発見を0.8322から0.3835に下げる。 同じプールされたレポートを使用した調整された8アクションのポートフォリオは0.8594に達し、7つの調整されたアクションが分散化されたベンチマークを回復する。
  論文  参考訳（メタデータ） (2026-07-20T15:14:24Z)
• Oracle Gap and Signal Fidelity: A Fixed-Pool Diagnostic for Test-Time Collaboration [8.515185888009833]
  テストタイムのコラボレーションはLLM推論の改善と評価されることが多いが、その利益は不均一であり、時にはネガティブである。 固定候補プールに対しては、セレクタまたは検証器のネットゲインを測定可能な要素に分解する。 このことは、マルチエージェントトポロジーの本質的な性質としてではなく、候補選択問題として協調を再構築する。
  論文  参考訳（メタデータ） (2026-07-20T04:09:19Z)
• ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
  LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。 ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-26T20:39:19Z)
• Coordination-Free Lane Partitioning for Convergent ANN Search [0.0]
  生産ベクトルサーチシステムは、遅延サービスレベル目標(SLO)を満たすために、並列レーンにまたがる各クエリをファンアウトすることが多い。 複製を相補的な作業に同じコストと期限で変換する調整不要レーン分割器を提案する。
  論文  参考訳（メタデータ） (2025-11-06T09:36:18Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。