과학 이론 전환을 감지하는 AI 에이전트의 Sheaf-이론적 운반 및 장애

과학 이론 전환을 감지하는 AI 에이전트

과학 이론 전환을 감지하는 AI 에이전트는 데이터에 적합한 방정식을 맞추는 것 이상의 것이 필요하다. 인공 과학 에이전트는 기존의 표현적 프레임워크가 새로운 영역으로 운반될 수 있는지, 또는 그 언어가 지역적으로-global하게 장애가 발생하고 확장해야 하는지 감지해야 한다.

Sheaf-이론적 프레임워크

이 논문은 유한 Sheaf-이론적 프레임워크를 개발하여 이론 전환 후보를 감지한다. 이 프레임워크는 다음과 같은 구성 요소를 포함한다.

• 소스, 오버랩, 타겟, 및 검증 차트: 이 차트들은 지역적으로-global한 구조를 구성한다.
• 장애: 장애는 운반의 실패를 측정한다. 장애는 다음과 같은 요소로 구성된다.
• 잔여 적합성
• 오버랩 불일치
• 제약 위반
• 제한 관계 실패
• 표현적 비용

평가

이 프레임워크는 제어된 전환 카드 벤치마크를 사용하여 평가한다. 이 벤치마크는 소스 언어의 변형과 그 언어의 확장 사이를 구분한다. 이론 전환 후보를 감지하는 데 사용되는 대규모 언어 모델(LLM)과 같은 상수 커널은 이 프레임워크의 대한 보조적인 표현적 유사도 검사로 포함된다.

결과

이 프레임워크의 주요 결과는 직접 장애 순위이다. 의도된 변형 또는 확장이 일반적으로 가장 낮은 장애 순위의 후보이며, 전환 유형이 벤치마크에서 구분된다.