論文の概要: Auditable Human-Agent Teams for Autonomous X-ray Experimentation
- arxiv url: http://arxiv.org/abs/2611.12933v1
- Date: Fri, 06 Nov 2026 08:33:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.488761
- Title: Auditable Human-Agent Teams for Autonomous X-ray Experimentation
- Title(参考訳): 自律的X線実験のための聴取可能な人間-エージェントチーム
- Abstract要約: 閉ループ自律実験は科学的な発見を加速させるが、実施はアクセシビリティを制限している。
ここでは、実証された科学的手法に基づく符号化エージェントのインフラを用いて、ナノ粒子超格子上での自律的シンクロトロンX線実験を人間の定義した目的の下で実証する。
完全な人間エージェントとエージェントエージェントの転写は、意思決定の成果を再構築し、認知労働の分裂を特徴づける監査を可能にする。
- 参考スコア(独自算出の注目度): 3.0520806883282816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Closed-loop autonomous experimentation can accelerate scientific discovery, but implementation effort limits accessibility. Agentic systems may lower this barrier, although sustained operation on physical instruments remains largely unexplored. Here, using coding-agent infrastructure grounded in validated scientific methods, we demonstrate autonomous synchrotron X-ray experiments on nanoparticle superlattices under evolving, human-defined objectives. Complete human-agent and agent-agent transcripts enable an audit that reconstructs decision provenance and characterizes the division of cognitive labor. Across three experiments, 61-67% of messages involved interpretation or judgment, while the share of methodological and scientific contributions increased from 46% in the setup-focused first experiment to 56-61% in later experiments. Provenance showed that 59-68% of error corrections involved multiple participants and that about half of all decisions incorporated the input of another participant. These results may guide design principles for multi-agent scientific systems and inform future agent harnesses, model training, and accessible autonomous experimentation.
- Abstract(参考訳): 閉ループ自律実験は科学的な発見を加速させるが、実施はアクセシビリティを制限している。
エージェントシステムは、この障壁を低くすることができるが、物理機器の持続的な操作は、ほとんど探索されていない。
ここでは、実証された科学的手法に基づく符号化エージェントのインフラを用いて、ナノ粒子超格子上での自律的シンクロトロンX線実験を人間の定義した目的の下で実証する。
完全な人間エージェントとエージェントエージェントの転写は、意思決定の成果を再構築し、認知労働の分裂を特徴づける監査を可能にする。
3つの実験で、61-67%のメッセージが解釈や判断に関与し、一方、方法論的および科学的貢献のシェアは、セットアップに焦点を当てた最初の実験で46%から、後の実験で56-61%に増加した。
結果, 誤り訂正の59~68%が複数の参加者を巻き込み, 判定の約半数が他の参加者の入力を取り入れていることがわかった。
これらの結果は、マルチエージェント科学システムの設計原則を導き、将来のエージェントハーネス、モデルトレーニング、アクセス可能な自律的な実験を通知する。
関連論文リスト
- 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) - LabAgent: Customize Any Research Hubs for Scientific Discoveries Using AI Agents [54.20891951945591]
前者によって開発された手法は、新しい研究者によって、より斬新で深い科学的疑問を探求するために拡張されることが多い。
大学院生などの研究室スタッフの変化は、方法の複製が可能な人員の不足につながる。
本研究では,実験室の継続的な作業に適した再生・発見ハーネスであるLabAgentを提案する。
論文 参考訳(メタデータ) (2026-09-11T18:53:18Z) - Beyond One-shot: AI Agents for Learning in Field Experiments [1.8135456588838779]
ツール強化エージェントAIが実験データから自動的に学習し、新たな介入を生成できるかどうかを検討する。
我々の研究は、ツール強化AIが実験データから学習し、改善されたドメイン関連介入を生成することを示している。
論文 参考訳(メタデータ) (2026-06-01T16:30:42Z) - AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation [28.790523063833376]
AutoScientistsは、長期的な計算科学実験のためのAIエージェントの分散チームである。
エージェントは共有された実験状態を解釈し、実験計算を使用する前に、有望な仮説、批判的な提案に関するチームに自己組織化する。
一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。
論文 参考訳(メタデータ) (2026-05-27T15:56:12Z) - AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。
25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
論文 参考訳(メタデータ) (2026-05-19T15:49:51Z) - Agents for self-driving laboratories applied to quantum computing [2.840384720502993]
本稿では,実験者の実験知識の組織化とエージェントによる実験の自動化を支援するため,k-agentsフレームワークを提案する。
本フレームワークでは,実験結果の分析方法を含む実験室の知識をカプセル化するために,大規模言語モデルに基づくエージェントを用いている。
実験を自動化するために,複数ステップの実験手順をエージェントベースの状態マシンに分割し,他のエージェントと対話して各ステップを実行し,実験結果を解析する実行エージェントを導入する。
論文 参考訳(メタデータ) (2024-12-10T23:30:44Z) - BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。
BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。
6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文 参考訳(メタデータ) (2024-05-27T19:57:17Z)
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。