Grounded autonomous research: a fault-tolerant LLM pipeline from corpus to manuscript in frontier computational physics

技術要約：最前線の計算物理学における接地された自律的研究

問題提起
自律的な研究エージェントは、機械学習のような「キャリブレーションが容易な」領域において、エンドツーエンドの自動化を達成している。そこでは、実行フィードバック（例：訓練損失曲線）や確立された参照値が本質的な検証手段として機能する。しかし、最前線の物理科学はカテゴリー的な課題を提示している。すなわち、物理的な推論が手法の選択を規定し、ツールチェーンは文書化が不十分であることが多く、実行結果自体にはグラウンドトゥルース（正解）が存在しない。このような環境において、足場（スキャフォールディング）のないエージェントは内部的な事前分布に依存してしまい、もっともらしいが検証不可能な結果を生み出し、実行のみでは修正できない手法を幻覚（ハルシネーション）として生成してしまう。核心となる問題は、エージェントが文献を単に引用するだけでなく、その出力を外部の文献というアンカー（錨）に対して照らし合わせることを強制する、構造的なメカニズムが欠如していることにある。

手法：接地されたパイプライン（The Grounded Pipeline）
著者らは、11,083本の凝縮系物理学に関するarXiv論文のコーパスから、出版レベルの原稿へと変換するエンドツーエンドのパイプラインを提示している。このシステムは、会話履歴によるエラーの蓄積を防ぐため、ディスク上の状態のみを共有する47の「フレッシュ・コンテキスト」LLMセッションを用い、6つのフェーズにわたって動作する。

1. アーキテクチャとスキャフォールディング（足場）：

   • フレッシュ・コンテキストの隔離： 各セッションはクリーンなコンテキストウィンドウから開始される。通信はディスク上のアーティファクトを通じてのみ行われ、あるセッションでのエラーや幻覚が次のセッションへ無批判に伝播することを防いでいる。
   • 分散された接地（Distributed Grounding）： パイプラインは、キュレートされた知識ベース（INDEX.md, PSEUDOPOTENTIALS.md）および、運用上の制約と検証済みワークフローを含む「ハウスルール」（PILOT_HOUSE_RULES.md）を利用する。極めて重要な点として、これらはパイロット段階（S2）以降からのみロードされるため、概念形成段階（Breadth/Depth）は手法的なバイアスから自由な状態に保たれる。
   • 敵対的レビュー（Adversarial Review）： 専用のセッションは、「確認するのではなく、見つけ出す」ようにプロンプトされ、過剰な主張を捕捉するためのフォールトトレランス（耐故障性）メカニズムとして機能する。

2. 6フェーズのワークフロー：

   • 広域探索（Breadth - 3セッション）： コーパスをマッピングし、候補となる研究テーマを特定する。
   • 深化（Depth - 5セッション）： 候補を具体的な研究課題へと拡張し、明示的な再現ターゲットを設定する。多様性レジャー（Diversity Ledger）により、方向性の重複を防ぐ。
   • パイロット（Pilot - 24セッション）： コアとなる「接地」エンジンである。以下を含む：
     • プログラム選択 (S1): ソフトウェアの実現可能性（名前の付いたオープンソースツールで実行可能であること）に基づいて方向性を選択する。
     • ツール確認 (S2): ローカルスタックを検証し、キュレートされた知識ベースをロードする。
     • 再現 (S3): 5つの出版された論文を数値的なアンカーとして再現する。
     • 反復的なゲート・レビュー: 計算上のゲートと敵対的レビューのサイクル。結果が文献と乖離する場合、エージェントはその不一致に直面しなければならない。このプロセスはハイパーパラメータ（max_pilot_cycle）によって制限されており、収束に至らない場合は生産への移行または終了を強制する。
   • プレプロダクションおよびプロダクション： パイロットのレシピを固定された計画へと統合し、新規の計算を実行する。
   • 執筆： フレッシュ・コンテキストのセッション内で、知見を文献と統合しながら原稿を起草する。

3. 「接地（Grounding）」の操作的定義：
   本論文では、「接地」を文献の可用性ではなく、**構造的に強制された数値的対峙（numerical confrontation）**と定義している。キャリブレーションのチェックポイントにおいて、パイプラインはエージェントが計算した値と出版された参照値との間の数値比較を強制する。もし値が許容範囲内（T4ティア：偏差≤20%）に収まらない場合、エージェントは手法を修正するか、あるいは「NOT PASS」の判定を下さなければならない。

主な貢献

1. エンドツーエンドのパイプライン： 研究の方向性を自律的に構想し、再現を通じて手法をキャリブレーションし、新規の第一原理計算を行い、アルター磁性ピエゾ磁性に関する原稿を執筆するシステム。
2. 操作的な接地メカニミック： パイロット段階を、接地を実体化させるアーキテクチャ要素として特定した。二つの対照的な失敗モード（トピック選択の接地を欠くプレ・アーキテクチャ・ベースライン、および実行の接地を欠くノー・パイロット・アブレーション）を通じて、数値的な対峙が強制されない限り、エージェントはアンカー付け不可能なトピックを受け入れるか、検証不可能な仮定のまま進行してしまうことを示した。
3. フォールトトレランス・プリミティブ： システムは、フレッシュ・コンテキストの隔離、分散された接地、および敵対的レビューを採用し、エラーを捕捉する。パイロット段階では、これらのメカニメントが過信や誤った出力を修正した15件の「キャッチ・エピソード」が記録された。
4. 定量化された介入パターン： 人間の介入は、運用のための知識キュレーション（例：失敗した再現の後にサニティチェック・ルールやWannier検証プロトコルを追加すること）および、ペイウォールやAPIのリカバリに限定された。科学的な方向性やパラメータの選択において、人間による決定はゼロであった。

結果
パイプラインは、アルター磁性ピエゾ磁性に関する、以下の3つの実質的な物理学的知見を含む投稿レベルの原稿を作成した：

1. MnTeの深い価電子帯アンカーにおける、対称性許容のアノマラス・ホール応答。プラトー振幅は $\alpha = 397$ S/cm。
2. MnTeにおける軌道ピエゾ磁性応答。これは $\Lambda_{orb}^{zxx} = -1.96$ $\mu_B$/cell per unit strain を与える。
3. $B_{1g}$ せん断下での $d$-wave Lieb $\text{CsV}_2\text{Te}_2\text{O}$ におけるクロス対称性クラス応答。これは $\Lambda_{topo} = -24.9$ $\mu_B$/cell per unit shear を与える。

システムは、14のチャネルを通じて2,162件の文献照会イベントを正常にナビゲートした。また、MnTeの軌道磁性アンカーにおける基底関数切断の系統誤差などの系統的な不確実性を特定・記録し、データが不十分な場合には収束の証明を拒否（「NOT PASS」判定を発行）した。

意義と主張
本論文は、実行結果がグラウンドトゥルースを提供しない高リスクな科学領域における、自律的研究の基礎を確立したと主張している。

• 「もっともらしい」から「アンカーされた」ものへ： 本システムは、もっともらしいテキストを生成する段階を超え、外部の現実と対峙することを構造的に強制された結果を生み出す。
• パイロットの役割： パイロット段階が「グランド・アンカー・メカニズム」として特定された。これがない場合、エージェントはキャリブレーション不可能なトピックを選択するか（プレ・アーキテクチャ・ベースラインの失敗）、参照値へのアクセスがあるにもかかわらず検証不可能な手法で進行してしまう（ノー・パイロット・アブレーションの失敗）。
• 誠実な不確実性： パイプラインの価値は、その限界を特定できる能力にある。系統的な不確実性を記録し、アンカーが不透明な場合には収束の証明を拒否することで、接地されていない幻覚による「隠された謎」ではなく、将来の反復に向けた扱い可能な「アンカーされた失敗」を生み出す。
• 最前線への適用可能性： 現在の最前線のアンカーは希薄で暫定的なものであるが（例：新しい現象に対する単一の出版値）、本アーキテクチャは、文献との整合性を成功の主要な指標として扱うことで、それが絶対的な真理ではなく「測定された露出」であることを認めている。

本研究は、人間の科学者を置き換えることを目的とするのではなく、文献との対峙という運用の負担を処理するための、足場を組んだフォールトトレラントなフレームワークを提供し、人間が知識のキュレーションとアンカーされた結果の解釈に集中できるようにすることを目指している。