The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yamada, Yutaro, Lange, Robert Tjarko, Lu, Cong, Hu, Shengran, Lu, Chris, Foerster, Jakob, Clune, Jeff, Ha, David
Format:	Preprint
Veröffentlicht:	2025
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: Towards Fully Automated Open-Ended Scientific Discovery
von: Lu, Chris, et al.
Veröffentlicht: (2024)

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

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

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

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

Learning to Continually Learn via Meta-learning Agentic Memory Designs
von: Xiong, Yiming, et al.
Veröffentlicht: (2026)

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

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

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

SR-Scientist: Scientific Equation Discovery With Agentic AI
von: Xia, Shijie, et al.
Veröffentlicht: (2025)

Agentic AI Scientists Are Not Built For Autonomous Scientific Discovery
von: Bisht, Harshit, et al.
Veröffentlicht: (2026)

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

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

Discovering Preference Optimization Algorithms with and for Large Language Models
von: Lu, Chris, et al.
Veröffentlicht: (2024)

Scaling Laws in Scientific Discovery with AI and Robot Scientists
von: Zhang, Pengsong, et al.
Veröffentlicht: (2025)

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

EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery
von: Lyu, Yougang, et al.
Veröffentlicht: (2026)

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

Discovering Minimal Reinforcement Learning Environments
von: Liesen, Jarek, et al.
Veröffentlicht: (2024)

Rethinking the AI Scientist: Interactive Multi-Agent Workflows for Scientific Discovery
von: Weidener, Lukas, et al.
Veröffentlicht: (2026)

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

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

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

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

Hyperagents
von: Zhang, Jenny, et al.
Veröffentlicht: (2026)

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

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

Competition and Attraction Improve Model Fusion
von: Abrantes, João, et al.
Veröffentlicht: (2025)

Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization
von: Faldor, Maxence, et al.
Veröffentlicht: (2025)

Large Language Models As Evolution Strategies
von: Lange, Robert Tjarko, et al.
Veröffentlicht: (2024)

Evolution Transformer: In-Context Evolutionary Optimization
von: Lange, Robert Tjarko, et al.
Veröffentlicht: (2024)

AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery
von: Tie, Guiyao, et al.
Veröffentlicht: (2026)

Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics
von: Zhou, Lianhao, et al.
Veröffentlicht: (2025)

Towards an AI Fluid Scientist: LLM-Powered Scientific Discovery in Experimental Fluid Mechanics
von: Feng, Haodong, et al.
Veröffentlicht: (2025)

AI & Human Co-Improvement for Safer Co-Superintelligence
von: Weston, Jason, 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)

AgentBreeder: Mitigating the AI Safety Risks of Multi-Agent Scaffolds via Self-Improvement
von: Rosser, J, et al.
Veröffentlicht: (2025)

Kosmos: An AI Scientist for Autonomous Discovery
von: Mitchener, Ludovico, et al.
Veröffentlicht: (2025)

Automating the Search for Artificial Life with Foundation Models
von: Kumar, Akarsh, et al.
Veröffentlicht: (2024)

Can Agentic AI Match the Performance of Human Data Scientists?
von: Luo, An, et al.
Veröffentlicht: (2025)