論文の概要: Reward-Driven Collider Physics Challenges for Self-Improving Agentic AI via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2611.15885v1
- Date: Wed, 11 Nov 2026 19:00:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.258043
- Title: Reward-Driven Collider Physics Challenges for Self-Improving Agentic AI via Reinforcement Learning
- Title(参考訳): 強化学習による自己改善エージェントAIのための逆方向衝突型物理チャレンジ
- Abstract要約: エージェントAIの最近の進歩は、複雑な高エネルギー物理タスクを自動化する可能性を実証している。
我々は、フロンティアモデルが依然として正確かつ完全な検証可能なソリューションの提供に苦戦しているHEPタスクの体制に焦点を当てる。
我々は、連続的かつ自動評価された報酬を伴うオープンな最適化タスク形式を導入する。
- 参考スコア(独自算出の注目度): 47.40630126001458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in agentic AI have demonstrated the potential to automate complex high-energy physics (HEP) workflows. We focus on the regime of HEP tasks where frontier models still struggle to provide correct and complete solutions, and introduce an open-ended optimization task format with continuous, automatically evaluated rewards. Unlike conventional benchmarks focused on task completion, these tasks target reinforcement learning (RL) environments to generate agentic improvement on state- of-the-art HEP challenges. We benchmark frontier reasoning models on several HEP tasks and demonstrate an initial proof of concept in which a small language model improves through RL using automated feedback without human intervention. By connecting challenging HEP problems with verifiable scientific rewards and RL, we aim to advance agentic AI from reproducing established workflows to autonomously discovering better scientific solutions, paving the way toward self-improving scientific agents.
- Abstract(参考訳): エージェントAIの最近の進歩は、複雑な高エネルギー物理(HEP)ワークフローを自動化する可能性を実証している。
我々は、フロンティアモデルが依然として正確かつ完全なソリューションの提供に苦慮しているHEPタスクの体制に焦点を合わせ、継続的かつ自動評価された報酬を伴うオープンな最適化タスク形式を導入する。
タスク完了に焦点を当てた従来のベンチマークとは異なり、これらのタスクは強化学習(RL)環境をターゲットにし、最先端のHEP課題に対するエージェント的改善を生み出す。
いくつかのHEPタスクにおけるフロンティア推論モデルをベンチマークし、人間の介入なしに自動フィードバックを用いて、小さな言語モデルがRLを通して改善するという概念の初期の証明を示す。
HEP問題と検証可能な科学的報酬とRLを結びつけることで、エージェントAIが確立したワークフローを再現し、より良い科学的解決策を自律的に発見し、自己改善的な科学エージェントへの道を開くことを目指している。
関連論文リスト
- iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model [89.9836668595474]
再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。
本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。
我々は,高密度で低周波なインタフェースに人間の入力を集中させ,エージェントはこれらの先行情報をインスタンス化し,実験を選択し,その結果を診断し,トレーニング戦略を改訂する。
産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的に生産する。
論文 参考訳(メタデータ) (2026-08-28T15:51:26Z) - AutoSOTA: An End-to-End Automated Research System for State-of-the-Art AI Model Discovery [49.77172027295716]
AutoSOTAは、トップレベルのAI論文で発表された最新のState-Of-The-Art(SOTA)モデルを進化させるエンドツーエンドの自動研究システムである。
報告された方法を超える新しい105種類のSOTAモデルを発見し、平均して1紙あたり平均5時間である。
論文 参考訳(メタデータ) (2026-04-07T07:52:01Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳(メタデータ) (2026-01-29T11:33:49Z) - Multimodal Reinforcement Learning with Agentic Verifier for AI Agents [131.46008226323423]
Argosは、エージェントタスクの推論モデルをトレーニングするための、原則化されたマルチモーダル報酬エージェントである。
エージェント検証をSFTデータとRLトレーニングの両方で活用することにより、我々のモデルは最先端の結果を得ることができる。
論文 参考訳(メタデータ) (2025-12-03T04:42:47Z) - The Missing Reward: Active Inference in the Era of Experience [1.9761774213809036]
アクティブ推論(AIF)は、自律型AIエージェントを開発する上で重要な基盤を提供する。
AIFは、自由エネルギーを最小化するために、外部の報酬信号を本質的な駆動に置き換えることができる。
この合成は、計算と物理の両方の制約に固執しながら自律的に開発できるAIシステムへの魅力的な道を提供する。
論文 参考訳(メタデータ) (2025-08-07T17:57:12Z) - Generative AI in Health Economics and Outcomes Research: A Taxonomy of Key Definitions and Emerging Applications, an ISPOR Working Group Report [12.204470166456561]
ジェネレーティブAIは、健康経済学と成果研究(HEOR)において大きな可能性を秘めている
生成AIは、HEORに大きな可能性を示し、効率性、生産性を高め、複雑な課題に対する新しいソリューションを提供する。
ファウンデーションモデルは複雑なタスクを自動化する上で有望だが、科学的信頼性、バイアス、解釈可能性、ワークフローの統合には課題が残っている。
論文 参考訳(メタデータ) (2024-10-26T15:42:50Z) - Stabilizing Unsupervised Environment Design with a Learned Adversary [28.426666219969555]
汎用エージェントの訓練における主な課題は、環境変動に対する広範な一般化と堅牢性を促進する訓練タスクの設計である。
教師なし環境設計(UED)の先駆的なアプローチは、強化学習を使用して教師の政策を訓練し、ゼロからタスクを設計するPAIREDである。
PAIREDは理論上の強い支持にもかかわらず、実用性能を阻害する様々な課題に悩まされている。
我々は、PAIREDが最先端の手法に適合または超えることを可能にし、いくつかの確立された手続き的環境において堅牢なエージェントを生産する。
論文 参考訳(メタデータ) (2023-08-21T15:42:56Z) - Automatic Intrinsic Reward Shaping for Exploration in Deep Reinforcement
Learning [55.2080971216584]
本稿では、強化学習(RL)における探索を強化するため、知的かつ適応的に高品質な固有報酬を提供する自動固有リワード整形法を提案する。
我々は,多様な固有報酬手法の効率的かつ信頼性の高い実装を実現するために,固有報酬ツールキットを開発した。
論文 参考訳(メタデータ) (2023-01-26T01:06:46Z)
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。