ترجمه فارسی مقاله دانشمند هوش مصنوعی: به سوی اکتشافات علمی کاملاً خودکار و نامحدود

چکیده

One of the grand challenges of artificial general intelligence is developing agents capable of conducting scientific research and discovering new knowledge. While frontier models have already been used as aides to human scientists, e.g. for brainstorming ideas, writing code, or prediction tasks, they still conduct only a small part of the scientific process. This paper presents the first comprehensive framework for fully automatic scientific discovery, enabling frontier large language models to perform research independently and communicate their findings. We introduce The AI Scientist, which generates novel research ideas, writes code, executes experiments, visualizes results, describes its findings by writing a full scientific paper, and then runs a simulated review process for evaluation. In principle, this process can be repeated to iteratively develop ideas in an open-ended fashion, acting like the human scientific community. We demonstrate its versatility by applying it to three distinct subfields of machine learning: diffusion modeling, transformer-based language modeling, and learning dynamics. Each idea is implemented and developed into a full paper at a cost of less than $15 per paper. To evaluate the generated papers, we design and validate an automated reviewer, which we show achieves near-human performance in evaluating paper scores. The AI Scientist can produce papers that exceed the acceptance threshold at a top machine learning conference as judged by our automated reviewer. This approach signifies the beginning of a new era in scientific discovery in machine learning: bringing the transformative benefits of AI agents to the entire research process of AI itself, and taking us closer to a world where endless affordable creativity and innovation can be unleashed on the world’s most challenging problems. Our code is open-sourced at https://github.com/SakanaAI/AI-Scientist

چکیده به فارسی (ترجمه ماشینی)

یکی از چالش های مهم هوش عمومی مصنوعی ، در حال توسعه عوامل قادر به انجام تحقیقات علمی و کشف دانش جدید است.در حالی که از مدل های مرزی قبلاً به عنوان دستیاران دانشمندان بشر استفاده شده است ، به عنوان مثالبرای ایده های طوفان مغزی ، کد نوشتن یا کارهای پیش بینی ، آنها هنوز هم تنها بخش کوچکی از روند علمی را انجام می دهند.در این مقاله اولین چارچوب جامع برای کشف علمی کاملاً اتوماتیک ارائه شده است ، و این امکان را برای مدل های بزرگ زبان مرزی فراهم می کند تا بتوانند به طور مستقل تحقیق را انجام دهند و یافته های آنها را برقرار کنند.ما دانشمند هوش مصنوعی را معرفی می کنیم ، که ایده های تحقیق جدیدی ایجاد می کند ، کد را می نویسد ، آزمایش ها را انجام می دهد ، نتایج را تجسم می کند ، یافته های آن را با نوشتن یک مقاله علمی کامل توصیف می کند ، و سپس یک فرایند بررسی شبیه سازی شده را برای ارزیابی اجرا می کند.در اصل ، این فرایند می تواند تکرار شود تا به طور مکرر ایده ها را با روشی باز و باز و مانند جامعه علمی انسانی انجام دهد.ما تطبیق پذیری آن را با استفاده از آن در سه زیرزمین مجزا از یادگیری ماشین نشان می دهیم: مدل سازی انتشار ، مدل سازی زبان مبتنی بر ترانسفورماتور و پویایی یادگیری.هر ایده با هزینه کمتر از 15 دلار در هر مقاله به یک مقاله کامل تبدیل می شود.برای ارزیابی مقالات تولید شده ، ما یک داور خودکار را طراحی و اعتبار می دهیم ، که نشان می دهیم به عملکرد نزدیک انسان در ارزیابی نمرات کاغذ دست پیدا می کند.دانشمند هوش مصنوعی می تواند مقالاتی را تولید کند که بیش از آستانه پذیرش در یک کنفرانس برتر یادگیری ماشین باشد ، همانطور که توسط داوری خودکار ما قضاوت می شود.این رویکرد نشانگر آغاز دوره جدیدی در کشف علمی در یادگیری ماشین است: آوردن مزایای تحول آمیز عوامل هوش مصنوعی به کل فرایند تحقیقاتی خود هوش مصنوعی ، و نزدیک شدن ما به دنیایی که خلاقیت و نوآوری مقرون به صرفه بی پایان می تواند در این زمینه انجام شودچالش برانگیزترین مشکلات جهان.کد ما در https://github.com/sakanaai/ai-sicientist باز است