論文の概要: ORCHID-SAGE: Fully Reproducible CALPHAD Assessment from Evidence to Phase Diagram
- arxiv url: http://arxiv.org/abs/2611.16308v1
- Date: Thu, 12 Nov 2026 05:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.365529
- Title: ORCHID-SAGE: Fully Reproducible CALPHAD Assessment from Evidence to Phase Diagram
- Title(参考訳): ORCHID-SAGE:エビデンスからフェーズダイアグラムへの完全再現性カルファド評価
- Abstract要約: データベースを構築するには、多くのステップで専門家による判断が必要です。
本稿では、このレコードを再現可能なプロトコルに整理する標準であるORCHID-SAGEを紹介する。
この最初の試みは、Cr-Niに適用され、データベースは第2マシン上のスクリプトによって、モデルコンテキストプロトコル(MCP)を介してのみ動作し、公開ソースからの修正によって、そのレコードから再生された。
- 参考スコア(独自算出の注目度): 0.689931500075101
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge of phase stability is the first requirement for materials design, and predicting the conditions under which new materials can be synthesized has become a key capability of self-driving laboratories (SDLs). For inorganic materials, notably alloys, these predictions come from thermodynamic databases built with the CALPHAD method. Building a database, however, requires expert judgment at many steps, and because these decisions are rarely recorded, others can use a database but cannot regenerate or update it. Machines can already collect the data, build a first model with machine-learned interatomic potentials and refine it against experiments. The assessment itself, the sequence of judgments that turns these parts into a reliable database, is still carried out by human experts. We argue that it can be automated reproducibly only if the expert knowledge behind an assessment is encoded in formal protocols, so that an assessment delivers a record of its construction and not only its parameters. We introduce ORCHID-SAGE, a standard that organizes this record into reproducible and automatable protocols. In this first attempt, applied to Cr-Ni, the database was regenerated from its record by a script on a second machine, by an AI agent working only through the Model Context Protocol (MCP) and by a refit from public sources only, with the same predictions. Recorded in this way, a database need no longer be fixed at publication but can be updated by AI agents as SDLs and other sources provide new evidence, while the judgment remains with people and on the record.
- Abstract(参考訳): 相安定性の知識は、材料設計の第一の要件であり、新しい材料を合成できる条件を予測することは、自動運転研究所(SDL)の重要な能力となっている。
無機材料、特に合金の場合、これらの予測はCALPHAD法で構築された熱力学データベースから得られる。
しかし、データベースを構築するには、多くのステップで専門家による判断が必要である。
マシンはすでにデータを収集し、マシンが学習した原子間ポテンシャルを持つ最初のモデルを構築し、実験に対して洗練することができる。
評価そのものは、これらの部分を信頼できるデータベースに変える一連の判断であり、まだ人間の専門家によって行われている。
評価の裏にある専門家の知識が形式的なプロトコルで符号化されている場合のみ、再現的に自動化できるので、アセスメントはそのパラメータだけでなく、その構成の記録を提供する。
我々は、このレコードを再現可能で自動化可能なプロトコルに整理する標準であるORCHID-SAGEを紹介する。
この最初の試みは、Cr-Niに適用され、データベースは第2マシン上のスクリプトによって、モデルコンテキストプロトコル(MCP)を介してのみ動作するAIエージェントによって、同じ予測で公開ソースからの修正によって、そのレコードから再生された。
このように記録されたデータベースは、もはや公開時に修正される必要はないが、AIエージェントによってSDLやその他の情報源が新しい証拠を提供するように更新することができる。
関連論文リスト
- AutoDataBench: Can Agents Write the Data That Feeds the Self-Improvement Loop? [62.41600992806851]
エージェントがそのようなタスクを書く能力の現在の評価は、エージェントが生成したもののトレーニング後にモデルがどのように機能するかを測定する。
既存の評価では、個々のタスクがデータパイプラインの受け入れ基準を満たすかどうかを問わない。
AutoDataBenchは、自律データ合成のためのエージェントの能力を直接測定する。
論文 参考訳(メタデータ) (2026-09-28T12:24:21Z) - Retrieval-grounded robot program generation and simulation-based correction via Model Context Protocol [3.9194485785481423]
本稿では,ABB RAPIDロボットプログラムの生成,検証,反復修正を行う言語モデルに基づくワークフローを提案する。
デュアルストリーム検索拡張生成パイプラインは、検証済みの技術ドキュメントとプロダクションテンプレートでコード生成を基盤とする。
カスタムモデルコンテキストプロトコルサーバは、自動コードアップロード、シミュレーション実行、診断フィードバックのために、言語モデルクライアントを直接ABB RobotStudioに接続する。
論文 参考訳(メタデータ) (2026-08-13T15:57:06Z) - Automated Synthesis and Adversarial Validation of Executable Causal Research Pipelines [5.193393225545891]
本稿では人工知能(AI)に基づく疫学研究アシスタント(ARA)フレームワークについて紹介する。
ARAはプロトコルの構築、合成データ生成、対角検証を統合パイプラインに統合する。
我々は、自動因果推論ベンチマーク上でARAを評価し、識別戦略、因果量、処理と結果変数、生成したコードと承認されたプロトコル間の整合性を評価する。
論文 参考訳(メタデータ) (2026-07-23T10:59:16Z) - AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems [82.01232437066487]
AgentXはプロダクションデプロイされたマルチエージェントシステムで、このプロダクション機能を再構築する。
自律的に生成し、実装し、評価し、レコメンデーション実験から学ぶ。
AgentXは4つの密結合したステージをクローズドループでオーケストレーションする。
論文 参考訳(メタデータ) (2026-06-25T10:42:28Z) - Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。
本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文 参考訳(メタデータ) (2026-06-15T16:54:02Z) - AI Coding Agents Can Reproduce Social Science Findings [5.410553210073652]
最近の証拠は、AIコーディングエージェントが、元のデータとコードを提供すると、公表された結果を再現できることを示唆している。
SocSci-Repro-Benchは、4つの分野と13の実体ドメインにまたがる221のタスクのベンチマークである。
どちらも社会科学の発見を再現することができ、Claude CodeはCodexを大きく上回っている。
論文 参考訳(メタデータ) (2026-06-09T21:00:05Z) - Programming with Data: Test-Driven Data Engineering for Self-Improving LLMs from Raw Corpora [33.535457603064906]
本研究では,ソースコーパスから抽出した構造化知識表現が,学習データと評価データの共有基盤となることを示す。
この研究は、人間の専門知識の言語モデルへの信頼性の高い工学の基礎を確立する。
論文 参考訳(メタデータ) (2026-04-27T14:05:18Z) - Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。
検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。
このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
論文 参考訳(メタデータ) (2026-01-09T16:44:17Z) - Providing Assurance and Scrutability on Shared Data and Machine Learning
Models with Verifiable Credentials [0.0]
実践者は、関連する信頼できるデータを使用することにAI開発者を頼っている。
科学者は、データリソースの品質を証明する署名された認証情報を発行できます。
BOMは、AIシステムのサプライチェーンの追跡可能な記録を提供します。
論文 参考訳(メタデータ) (2021-05-13T15:58:05Z) - Integrated Benchmarking and Design for Reproducible and Accessible
Evaluation of Robotic Agents [61.36681529571202]
本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。
このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。
本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
論文 参考訳(メタデータ) (2020-09-09T15:31:29Z)
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。