ユニットテスト生成のためのLLM(単体テスト生成用LLM) これは単体テスト生成におけるLLMの活用に関する素晴らしい調査です。 ユニットテスト生成ライフサイクルに基づく分類法を提案し、プロセスをテスト成果物を作成する生成フェーズに分割します。 品質保証の段階でそれらを精錬する。 論文: 当アカデミーで効果的なAIエージェントの構築方法を学びましょう:

新しい調査:科学的発見のためのAIエージェント。 これは2026年を迎える中で最もエキサイティングな分野の一つです。 (これをブックマーク) この新しい研究では、SAGA(Scientific Autonomous Goal-evolving Agent)という二段階フレームワークを導入し、外側ループが自動的に目標を進化させ、内側ループが解を最適化する仕組みです。 なぜこの新聞が重要なのでしょうか?科学的発見は、最適化方法だけでなく、何を最適化するかを反復検討することを必要とします。この客観的な進化ループを自動化することで、近年のAI主導科学研究の多くがボトルネックになってきたギャップを埋めることができます。 客観的デザインを一度きりの人間の決定として扱うのではなく、SAGAはそれを動的で自律的な発見プロセスとしています。 LLMベースのプランナーは新たな目標を提案します。実装者はそれらを実行可能なスコアリング関数に変換します。最適化者は解を探します。アナライザーは結果を検証し、目標の改善が必要な箇所を特定します。 SAGAは3つの自動化レベルで運営されています。 > コパイロットモード、科学者同士が客観的進化について協力するモード >科学者が分析装置にフィードバックを提供するセミパイロット >分析と計画の両方が完全に自動化されるオートパイロットです 4つの科学分野にわたる結果: 薬剤耐性K. pneumoniaeの抗生物質設計において、SAGAは生物学的活性と薬剤類似性の最良のバランスを実現しています。ベースラインは化学的に非現実的な分子に対して活性を最適化できなかったり、高い活性を達成したりしますが、SAGAは集団レベルの傾向を分析し、合成可能性ペナルティや代謝安定性フィルターなどの目標を動的に追加します。 材料設計において、SAGAは200のDFT計算の中でサプライチェーンリスクの低い15の新規安定構造を発見し、MatterGen(11構造)を上回る成果を上げました。超硬質材料では、提案された結晶の90%以上が硬度に不可欠な軽元素を含み、実験結果と一致しています。 DNA配列設計において、SAGAは細胞型特異的エンハンサー設計の基準を最大176%上回り、特異性で48%、モチーフ富集化で47%の改善を遂げています。 化学プロセス設計において、SAGAは製品純度のみに最適化すると不必要に複雑なフローシートを生むことを指摘し、資本コストや材料フロー強度の目標を自発的に加算しています。 論文: 私たちのアカデミーで効果的なAIエージェントの構築方法を学びましょう: