Buchumschlag

The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Chris, Lu, Cong, Lange, Robert Tjarko, Foerster, Jakob, Clune, Jeff, Ha, David
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Computation and Language Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search
von: Yamada, Yutaro, et al.
Veröffentlicht: (2025)

Automated Capability Discovery via Foundation Model Self-Exploration
von: Lu, Cong, et al.
Veröffentlicht: (2025)

Foundation Model Self-Play: Open-Ended Strategy Innovation via Foundation Models
von: Dharna, Aaron, et al.
Veröffentlicht: (2025)

Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents
von: Zhang, Jenny, et al.
Veröffentlicht: (2025)

Intelligent Go-Explore: Standing on the Shoulders of Giant Foundation Models
von: Lu, Cong, et al.
Veröffentlicht: (2024)

Behaviour Distillation
von: Lupu, Andrei, et al.
Veröffentlicht: (2024)

Kinetix: Investigating the Training of General Agents through Open-Ended Physics-Based Control Tasks
von: Matthews, Michael, et al.
Veröffentlicht: (2024)

ShinkaEvolve: Towards Open-Ended And Sample-Efficient Program Evolution
von: Lange, Robert Tjarko, et al.
Veröffentlicht: (2025)

Discovering Temporally-Aware Reinforcement Learning Algorithms
von: Jackson, Matthew Thomas, et al.
Veröffentlicht: (2024)

JaxLife: An Open-Ended Agentic Simulator
von: Lu, Chris, et al.
Veröffentlicht: (2024)

Automated Design of Agentic Systems
von: Hu, Shengran, et al.
Veröffentlicht: (2024)

Rainbow Teaming: Open-Ended Generation of Diverse Adversarial Prompts
von: Samvelyan, Mikayel, et al.
Veröffentlicht: (2024)

AiraXiv: An AI-Driven Open-Access Platform for Human and AI Scientists
von: Pan, Junshu, et al.
Veröffentlicht: (2026)

CauScientist: Teaching LLMs to Respect Data for Causal Discovery
von: Peng, Bo, et al.
Veröffentlicht: (2026)

MLR-Bench: Evaluating AI Agents on Open-Ended Machine Learning Research
von: Chen, Hui, et al.
Veröffentlicht: (2025)

Towards Open-Ended Discovery for Low-Resource NLP
von: Dossou, Bonaventure F. P., et al.
Veröffentlicht: (2025)

aiXiv: A Next-Generation Open Access Ecosystem for Scientific Discovery Generated by AI Scientists
von: Zhang, Pengsong, et al.
Veröffentlicht: (2025)

Toward a Team of AI-made Scientists for Scientific Discovery from Gene Expression Data
von: Liu, Haoyang, et al.
Veröffentlicht: (2024)

DéjàQ: Open-Ended Evolution of Diverse, Learnable and Verifiable Problems
von: Röpke, Willem, et al.
Veröffentlicht: (2026)

CodeScientist: End-to-End Semi-Automated Scientific Discovery with Code-based Experimentation
von: Jansen, Peter, et al.
Veröffentlicht: (2025)

AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise
von: Agarwal, Dhruv, et al.
Veröffentlicht: (2025)

GRLO: Towards Generalizable Reinforcement Learning in Open-Ended Environments from Zero
von: Yin, Shangjian, et al.
Veröffentlicht: (2026)

Transparent Reference-free Automated Evaluation of Open-Ended User Survey Responses
von: An, Subin, et al.
Veröffentlicht: (2025)

Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows
von: Xu, Wanghan, et al.
Veröffentlicht: (2025)

Towards Robust Agentic CUDA Kernel Benchmarking, Verification, and Optimization
von: Lange, Robert Tjarko, et al.
Veröffentlicht: (2025)

Quality Diversity through Human Feedback: Towards Open-Ended Diversity-Driven Optimization
von: Ding, Li, et al.
Veröffentlicht: (2023)

The AI Data Scientist
von: Akimov, Farkhad, et al.
Veröffentlicht: (2025)

Evolving Many Worlds: Towards Open-Ended Discovery in Petri Dish NCA via Population-Based Training
von: Berdica, Uljad, et al.
Veröffentlicht: (2026)

Thought Cloning: Learning to Think while Acting by Imitating Human Thinking
von: Hu, Shengran, et al.
Veröffentlicht: (2023)

First-Explore, then Exploit: Meta-Learning to Solve Hard Exploration-Exploitation Trade-Offs
von: Norman, Ben, et al.
Veröffentlicht: (2023)

Dreaming in Code for Curriculum Learning in Open-Ended Worlds
von: Mitsides, Konstantinos, et al.
Veröffentlicht: (2026)

NAVIX: Scaling MiniGrid Environments with JAX
von: Pignatelli, Eduardo, et al.
Veröffentlicht: (2024)

AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents
von: Somasekharan, Nithin, et al.
Veröffentlicht: (2026)

Doc-to-LoRA: Learning to Instantly Internalize Contexts
von: Charakorn, Rujikorn, et al.
Veröffentlicht: (2026)

The Edge-of-Reach Problem in Offline Model-Based Reinforcement Learning
von: Sims, Anya, et al.
Veröffentlicht: (2024)

OMNI: Open-endedness via Models of human Notions of Interestingness
von: Zhang, Jenny, et al.
Veröffentlicht: (2023)

ScienceAgentBench: Toward Rigorous Assessment of Language Agents for Data-Driven Scientific Discovery
von: Chen, Ziru, et al.
Veröffentlicht: (2024)

DIVERGE: Diversity-Enhanced RAG for Open-Ended Information Seeking
von: Hu, Tianyi, et al.
Veröffentlicht: (2026)

Large Language Models for Automated Open-domain Scientific Hypotheses Discovery
von: Yang, Zonglin, et al.
Veröffentlicht: (2023)

CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists
von: Yang, Junlin, et al.
Veröffentlicht: (2026)